論文の概要: Deep Learning Enables Large Depth-of-Field Images for
Sub-Diffraction-Limit Scanning Superlens Microscopy
- arxiv url: http://arxiv.org/abs/2310.17997v1
- Date: Fri, 27 Oct 2023 09:16:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 14:22:30.381791
- Title: Deep Learning Enables Large Depth-of-Field Images for
Sub-Diffraction-Limit Scanning Superlens Microscopy
- Title（参考訳）: サブディフラクション・リミット・スキャン・スーパーレンズ顕微鏡のための深層学習
- Authors: Hui Sun, Hao Luo, Feifei Wang, Qingjiu Chen, Meng Chen, Xiaoduo Wang,
Haibo Yu, Guanglie Zhang, Lianqing Liu, Jianping Wang, Dapeng Wu, Wen Jung Li
- Abstract要約: 深層学習を用いて、光学超解像(OSR)画像と走査電子顕微鏡領域画像とのマッピング関係を得る。
提案手法は, チップレベルの欠陥検出, 生物学的試料分析, 法医学, その他の様々な分野に適用可能であることを示す。
- 参考スコア（独自算出の注目度）: 16.152554659134246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scanning electron microscopy (SEM) is indispensable in diverse applications
ranging from microelectronics to food processing because it provides large
depth-of-field images with a resolution beyond the optical diffraction limit.
However, the technology requires coating conductive films on insulator samples
and a vacuum environment. We use deep learning to obtain the mapping
relationship between optical super-resolution (OSR) images and SEM domain
images, which enables the transformation of OSR images into SEM-like large
depth-of-field images. Our custom-built scanning superlens microscopy (SSUM)
system, which requires neither coating samples by conductive films nor a vacuum
environment, is used to acquire the OSR images with features down to ~80 nm.
The peak signal-to-noise ratio (PSNR) and structural similarity index measure
values indicate that the deep learning method performs excellently in
image-to-image translation, with a PSNR improvement of about 0.74 dB over the
optical super-resolution images. The proposed method provides a high level of
detail in the reconstructed results, indicating that it has broad applicability
to chip-level defect detection, biological sample analysis, forensics, and
various other fields.
- Abstract（参考訳）: 走査型電子顕微鏡(SEM)は、光学回折限界を超える解像度のフィールド深度画像を提供するため、マイクロエレクトロニクスから食品加工まで様々な用途に欠かせない。
しかし、この技術は絶縁体試料と真空環境にコーティング伝導膜を必要とする。
深層学習を用いて,光学超解像(osr)画像とsemドメイン画像のマッピング関係を求め,osr画像のsemライクな大視野画像への変換を可能にした。
導電膜によるコーティング試料も真空環境も必要としない独自の走査型スーパーレンズ顕微鏡(SSUM)システムを用いて,80nm以下の特性を有するOSR画像を取得する。
ピーク信号対雑音比(PSNR)と構造類似度指数測定値は、この深層学習法が画像対画像変換において優れた性能を示し、PSNRは光学超解像画像に対して約0.74dB向上したことを示している。
提案手法は, チップレベルの欠陥検出, 生物学的試料分析, 法医学, その他の様々な分野に適用可能であることを示す。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - Deep 3D World Models for Multi-Image Super-Resolution Beyond Optical
Flow [27.31768206943397]
マルチイメージ・スーパーレゾリューション(MISR)は、複数の画像を組み合わせることで、低解像度(LR)取得の空間分解能を高めることができる。
提案したモデルであるEpiMISRは,光学的流れから離れ,取得過程のエピポーラ幾何学を明示的に用いている。
論文 参考訳（メタデータ） (2024-01-30T12:55:49Z) - Calibration-free quantitative phase imaging in multi-core fiber
endoscopes using end-to-end deep learning [49.013721992323994]
位相再構成時間を5.5msに大幅に短縮する学習型MCF位相イメージング法を実証した。
我々はまた,MCF位相イメージングに適した最初のオープンソースデータセットを自動生成する,革新的な光学システムも導入した。
我々の訓練されたディープニューラルネットワーク(DNN)は、99.8%の平均忠実度を持つ実験において、堅牢な位相再構成性能を示す。
論文 参考訳（メタデータ） (2023-12-12T09:30:12Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - Computational ghost imaging for transmission electron microscopy [4.8776835876287805]
本研究では,電子顕微鏡におけるゴーストイメージングの計算手法を用いて,必要な総強度の低減を図っている。
電子に対する同等の高分解能光空間光変調器の技術的欠如は、異なるアプローチを追求する必要があることを意味する。
電気的に帯電した金属針の分布をビーム構造に利用したビーム整形技術と、その結果の非直交パターンを扱う新しい再構成手法について述べる。
論文 参考訳（メタデータ） (2022-04-21T09:43:54Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳（メタデータ） (2021-02-25T14:52:23Z) - Spatially-Variant CNN-based Point Spread Function Estimation for Blind
Deconvolution and Depth Estimation in Optical Microscopy [6.09170287691728]
薄めながら平らでない物体の光顕微鏡画像の解像度を向上する手法を提案する。
畳み込みニューラルネットワーク(CNN)を用いた空間変動点スプレッド関数(PSF)モデルのパラメータを推定する。
本手法は,理想条件下での2乗ピアソン相関係数0.99で画像自体からPSFパラメータを復元する。
論文 参考訳（メタデータ） (2020-10-08T14:20:16Z) - Deep learning-based holographic polarization microscopy [6.382502799134221]
深層学習に基づくホログラフィック偏光顕微鏡を提案する。
検体の量的複屈折耐性及び配向情報を得ることができる。
論文 参考訳（メタデータ） (2020-07-01T20:39:50Z) - Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。
提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-03-15T23:07:56Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z) - Hyperspectral Infrared Microscopy With Visible Light [0.4893345190925178]
我々は、試料の赤外線スペクトルマップを可視光用に構築した既製部品を用いて取得する赤外線ハイパースペクトル顕微鏡の新しい手法を提案する。
この技術は、広い視野、高速な読み出しおよび無視可能な熱をサンプルに供給し、物質や生物学的応用に非常に関係している。
論文 参考訳（メタデータ） (2020-02-14T10:29:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。