論文の概要: Filtering Pixel Latent Variables for Unmixing Noisy and Undersampled Volumetric Images
- arxiv url: http://arxiv.org/abs/2312.05357v2
- Date: Sat, 6 Apr 2024 02:42:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 01:56:13.363933
- Title: Filtering Pixel Latent Variables for Unmixing Noisy and Undersampled Volumetric Images
- Title（参考訳）: 雑音とアンサンプ付きボリューム画像のフィルタ用画素潜時変数
- Authors: Catherine Bouchard, Andréanne Deschênes, Vincent Boulanger, Jean-Michel Bellavance, Flavie Lavoie-Cardinal, Christian Gagné,
- Abstract要約: 実験物理学では、取得分解能を高めたり、検出チャネルの数を増やしたりすると、サンプリングレートが低下し、信号対雑音比が低下する。
本稿では,多次元畳み込みニューラルネットワークの潜時空間に帯域通過フィルタを適用し,重なり合う信号成分を分解する手法を提案する。
多次元畳み込みカーネルを用いて全ての次元を同時に処理することで、隣接するピクセル、時間またはスペクトルビンから情報を抽出するネットワークの能力を向上する。
- 参考スコア（独自算出の注目度）: 6.2916043414599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of robust signal unmixing algorithms is essential for leveraging multimodal datasets acquired through a wide array of scientific imaging technologies, including hyperspectral or time-resolved acquisitions. In experimental physics, enhancing the spatio-temporal resolution or expanding the number of detection channels often leads to diminished sampling rate and signal-to-noise ratio, significantly affecting the efficacy of signal unmixing algorithms. We propose applying band-pass filters to the latent space of a multi-dimensional convolutional neural network to disentangle overlapping signal components, enabling the isolation and quantification of their individual contributions. Using multi-dimensional convolution kernels to process all dimensions simultaneously enhances the network's ability to extract information from adjacent pixels, time- or spectral-bins. This approach enables more effective separation of components in cases where individual pixels do not provide clear, well-resolved information. We showcase the method's practical use in experimental physics through two test cases that highlight the versatility of our approach: fluorescence lifetime microscopy and mode decomposition in optical fibers. The latent unmixing method extracts valuable information from complex signals that cannot be resolved by standard methods. Application of latent unmixing to real FLIM experiments will increase the number of distinguishable fluorescent markers. It will also open new possibilities in optics and photonics for multichannel separations at increased sampling rate.
- Abstract（参考訳）: 頑健な信号アンミックスアルゴリズムの開発は、ハイパースペクトルや時間分解による取得など、幅広い科学的イメージング技術を通じて得られたマルチモーダルデータセットを活用するために不可欠である。
実験物理学では、時空間分解能を高めたり、検出チャネルの数を増やしたりすると、サンプリング率と信号-雑音比が減少し、信号アンミックスアルゴリズムの有効性に大きな影響を及ぼす。
多次元畳み込みニューラルネットワークの潜在空間に帯域通過フィルタを適用し、重なり合う信号成分を分解し、個々のコントリビューションの分離と定量化を可能にする。
多次元畳み込みカーネルを用いて全ての次元を同時に処理することで、隣接するピクセル、時間またはスペクトルビンから情報を抽出するネットワークの能力を向上する。
このアプローチは、個々のピクセルが明確でよく解決された情報を提供していない場合に、より効果的なコンポーネントの分離を可能にする。
本稿では,光ファイバーの蛍光寿命顕微鏡法とモード分解法という,アプローチの汎用性を強調した2つの試験事例を通して,実験物理学における本手法の実用化について紹介する。
遅延アンミックス法は、標準的な方法では解決できない複雑な信号から貴重な情報を抽出する。
遅延アンミキシングの実際のFLIM実験への応用は、識別可能な蛍光マーカーの数を増やす。
また、多チャンネル分離のための光学とフォトニクスの新たな可能性も、サンプリングレートの増加で開く。
関連論文リスト
- A multidimensional approach to quantum state tomography of photoelectron wavepackets [0.0]
本稿では,光電子の連続的変動密度行列を単一時間遅延スキャンで再構成できる新しい,より効率的なプロトコルを提案する。
時間で走査されるブロードバンド赤外線プローブと、XUVパルスに時間的に固定される狭帯域IR参照を用いて、XUVパルスの光電子吸収のコヒーレンスを測定する。
論文 参考訳（メタデータ） (2024-05-02T03:15:02Z) - Single-sample image-fusion upsampling of fluorescence lifetime images [0.9054230754796732]
蛍光寿命イメージング顕微鏡は、分子間相互作用と生物学的プロセスに関する詳細な情報を提供する。
FLIMの最大のボトルネックは、高い取得速度での画像解像度である。
本稿では,計算FLIM超解像に対するデータ融合手法SiSIFUSを提案する。
論文 参考訳（メタデータ） (2024-04-19T10:19:18Z) - Fluctuation-based deconvolution in fluorescence microscopy using
plug-and-play denoisers [2.236663830879273]
蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。
この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
論文 参考訳（メタデータ） (2023-03-20T15:43:52Z) - On-chip quantum information processing with distinguishable photons [55.41644538483948]
多光子干渉は光量子技術の中心にある。
そこで本研究では,共振器型集積光子源に必要なスケールで変形した光子を干渉させるのに十分な時間分解能で検出を実装できることを実験的に実証した。
ボソンサンプリング実験において,非イデアル光子の時間分解検出がエンタングル操作の忠実度を向上し,計算複雑性の低減を図ることができることを示す。
論文 参考訳（メタデータ） (2022-10-14T18:16:49Z) - All-optical image classification through unknown random diffusers using
a single-pixel diffractive network [13.7472825798265]
ランダムで未知の散乱媒体の背後にある物体の分類は、計算画像とマシンビジョンフィールドの難しいタスクをセットする。
近年の深層学習に基づくアプローチは、画像センサによって収集されたディフューザ歪みパターンを用いた物体の分類を実証した。
本稿では,1画素で検出されたブロードバンド照明を用いて未知の物体をランダムな位相拡散器で直接分類する全光学プロセッサを提案する。
論文 参考訳（メタデータ） (2022-08-08T08:26:08Z) - Toward deep-learning-assisted spectrally-resolved imaging of magnetic
noise [52.77024349608834]
本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。
これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
論文 参考訳（メタデータ） (2022-08-01T19:18:26Z) - Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image
Super-Resolution with Subpixel Fusion [67.35540259040806]
サブピクセルレベルのHS超解像フレームワークを提案する。
名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。
我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
論文 参考訳（メタデータ） (2022-05-07T23:40:36Z) - Regularization by Denoising Sub-sampled Newton Method for Spectral CT
Multi-Material Decomposition [78.37855832568569]
スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。
特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。
スペクトルct材料分解の数値的および実験的結果を示す。
論文 参考訳（メタデータ） (2021-03-25T15:20:10Z) - Neural network-based on-chip spectroscopy using a scalable plasmonic
encoder [0.4397520291340694]
従来の分光計は、サイズ、コスト、信号対雑音比(SNR)、スペクトル分解能によって設定されるトレードオフによって制限される。
本稿では,小型で低コストなオンチップセンシング方式を用いて,深層学習に基づくスペクトル再構成フレームワークを実証する。
論文 参考訳（メタデータ） (2020-12-01T22:50:06Z) - 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)
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。