論文の概要: Application of RESNET50 Convolution Neural Network for the Extraction of Optical Parameters in Scattering Media
- arxiv url: http://arxiv.org/abs/2404.16647v1
- Date: Thu, 25 Apr 2024 14:36:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-26 13:30:22.121201
- Title: Application of RESNET50 Convolution Neural Network for the Extraction of Optical Parameters in Scattering Media
- Title（参考訳）: RESNET50畳み込みニューラルネットワークの散乱媒質中の光学パラメータ抽出への応用
- Authors: Bowen Deng, Yihan Zhang, Andrew Parkes, Alex Bentley, Amanda Wright, Michael Pound, Michael Somekh,
- Abstract要約: 我々はモンテカルロシミュレーションに基づくシミュレーションデータを用いて汎用畳み込みニューラルネットワークRESNET 50を訓練する。
私たちのアプローチでは、以前の作業と比較すると、はるかに小さなデータセットでトレーニングすることで、同等か、あるいはより優れた再構築の精度が得られます。
- 参考スコア（独自算出の注目度）: 4.934656140862609
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimation of the optical properties of scattering media such as tissue is important in diagnostics as well as in the development of techniques to image deeper. As light penetrates the sample scattering events occur that alter the propagation direction of the photons in a random manner leading degradation of image quality. The distribution of the scattered light does, however, give a measure of the optical properties such as the reduced scattering coefficient and the absorption coefficient. Unfortunately, inverting scattering patterns to recover the optical properties is not simple, especially in the regime where the light is partially randomized. Machine learning has been proposed by several authors as a means of recovering these properties from either the back scattered or the transmitted light. In the present paper, we train a general purpose convolutional neural network RESNET 50 with simulated data based on Monte Carlo simulations. We show that compared with previous work our approach gives comparable or better reconstruction accuracy with training on a much smaller dataset. Moreover, by training on multiple parameters such as the intensity distribution at multiple planes or the exit angle and spatial distribution one achieves improved performance compared to training on a single input such as the intensity distribution captured at the sample surface. While our approach gives good parameter reconstruction, we identify factors that limit the accuracy of the recovered properties, particularly the absorption coefficient. In the light of these limitations, we suggest how the present approach may be enhanced for even better performance.
- Abstract（参考訳）: 組織などの散乱媒体の光学特性の推定は、診断やより深い画像化技術の開発において重要である。
光が透過すると、試料散乱現象が起こり、光子の伝播方向がランダムに変化し、画質が劣化する。
しかし散乱光の分布は、散乱係数の低減や吸収係数などの光学特性の測度を与える。
残念ながら、散乱パターンを反転させて光学特性を回復するのは簡単ではない。
機械学習は、後方散乱または透過光からこれらの特性を回復する手段として、複数の著者によって提案されている。
本稿ではモンテカルロシミュレーションに基づくシミュレーションデータを用いて汎用畳み込みニューラルネットワークRESNET 50を訓練する。
私たちのアプローチでは、以前の作業と比較すると、はるかに小さなデータセットでトレーニングすることで、同等か、あるいはより優れた再構築の精度が得られます。
さらに,複数の平面における強度分布や出口角,空間分布などの複数のパラメータをトレーニングすることにより,試料表面で捕捉した強度分布などの単一入力に対するトレーニングに比べ,性能が向上する。
提案手法はパラメータ再構成に優れるが, 得られた特性, 特に吸収係数の精度を制限する因子を同定する。
これらの制限を考慮して、我々は、より優れたパフォーマンスのために、現在のアプローチをどのように拡張するかを提案します。
関連論文リスト
- Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
非視線画像(NLOS)は、その潜在的な応用により注目されている。
既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。
本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
論文 参考訳（メタデータ） (2024-09-21T04:39:45Z) - ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。
我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
論文 参考訳（メタデータ） (2024-03-21T17:52:08Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳（メタデータ） (2023-07-15T04:48:35Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T03:08:28Z) - Towards Accurate Post-training Quantization for Diffusion Models [73.19871905102545]
本稿では,効率的な画像生成のための拡散モデル(ADP-DM)の高精度なデータフリーポストトレーニング量子化フレームワークを提案する。
提案手法は, 拡散モデルの学習後の量子化を, 同様の計算コストで, 非常に大きなマージンで高速化する。
論文 参考訳（メタデータ） (2023-05-30T04:00:35Z) - 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) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。
暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
論文 参考訳（メタデータ） (2021-10-22T10:02:48Z) - Improvement of image classification by multiple optical scattering [8.210817257130788]
我々はLCDとRGBレーザー源に基づく光ランダム散乱システムを構築した。
画像分類はランダム散乱の助けを借りて改善できることがわかった。
コンピュータ上に展開した尾根分類と合わせて,94%以上の優れた分類精度を実現した。
論文 参考訳（メタデータ） (2021-07-12T04:12:41Z) - Deep Network for Scatterer Distribution Estimation for Ultrasound Image
Simulation [8.13909718726358]
観測された超音波データから確率的散乱器推定のための畳み込みニューラルネットワーク手法を実証する。
いくつかの既存手法と比較して,本手法で推定した散乱器表現から合成した画像が観測値と密接に一致していることが,数値シミュレーションおよびin-vivo画像で実証された。
論文 参考訳（メタデータ） (2020-06-17T21:25:13Z) - Adaptive optics with reflected light and deep neural networks [0.0]
本研究では,反射光と深部ニューラルネットワークを併用した適応光学系の開発を行った。
励起及び検出経路収差と対応する反射焦点画像からなるサンプル収差の大規模なデータセットを生成する。
深層ニューラルネットワークは、散乱サンプルから記録された反射光画像に基づいて、励起と検出の収差を独立に歪め、補正することができる。
論文 参考訳（メタデータ） (2020-04-09T15:39:51Z)
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。