論文の概要: Predicting ptychography probe positions using single-shot phase retrieval neural network
- arxiv url: http://arxiv.org/abs/2405.20910v1
- Date: Fri, 31 May 2024 15:21:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 13:58:40.611146
- Title: Predicting ptychography probe positions using single-shot phase retrieval neural network
- Title(参考訳): 単発位相探索ニューラルネットワークによるポチグラフィープローブ位置の予測
- Authors: Ming Du, Tao Zhou, Junjing Deng, Daniel J. Ching, Steven Henke, Mathew J. Cherukara,
- Abstract要約: 本研究では, 位置誤差が大きいデータに対して, ポジトグラフィープローブの位置予測を行うための, 根本的に新しい手法を提案する。
ニューラルネットワークを用いて個々の回折パターンの単発位相を検索し、各走査点における対象画像を生成する。
提案手法は,102ドル画素の順序で誤差を蓄積し,高精度な位置予測精度を実現することができることを示す。
- 参考スコア(独自算出の注目度): 5.889405057118457
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ptychography is a powerful imaging technique that is used in a variety of fields, including materials science, biology, and nanotechnology. However, the accuracy of the reconstructed ptychography image is highly dependent on the accuracy of the recorded probe positions which often contain errors. These errors are typically corrected jointly with phase retrieval through numerical optimization approaches. When the error accumulates along the scan path or when the error magnitude is large, these approaches may not converge with satisfactory result. We propose a fundamentally new approach for ptychography probe position prediction for data with large position errors, where a neural network is used to make single-shot phase retrieval on individual diffraction patterns, yielding the object image at each scan point. The pairwise offsets among these images are then found using a robust image registration method, and the results are combined to yield the complete scan path by constructing and solving a linear equation. We show that our method can achieve good position prediction accuracy for data with large and accumulating errors on the order of $10^2$ pixels, a magnitude that often makes optimization-based algorithms fail to converge. For ptychography instruments without sophisticated position control equipment such as interferometers, our method is of significant practical potential.
- Abstract(参考訳): Ptychography は、材料科学、生物学、ナノテクノロジーなど、様々な分野で使用される強力なイメージング技術である。
しかし、再構成された画像の精度は、しばしばエラーを含む記録されたプローブ位置の精度に大きく依存する。
これらの誤差は、数値最適化手法による位相探索と共同で修正されるのが一般的である。
誤差がスキャンパスに沿って蓄積される場合や、誤差の大きさが大きい場合、これらのアプローチは満足な結果に収束しない。
そこで,ニューラルネットワークを用いて個々の回折パターンの単発位相を抽出し,各走査点の物体像を出力する手法を提案する。
これらの画像の対方向のオフセットは、ロバストな画像登録法を用いて見出され、その結果を組み合わせて、線形方程式の構築と解法により完全なスキャンパスを得る。
提案手法は,10^2$の画素数で誤差を蓄積したデータに対して良好な位置予測精度を達成できることを示す。
干渉計などの高度位置制御装置を使用せず, ポイクログラフィー機器の実用化には, 本手法が有効である可能性が示唆された。
関連論文リスト
- Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。
ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。
トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-05T16:20:14Z) - No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。
提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。
この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
論文 参考訳(メタデータ) (2024-10-31T17:58:22Z) - Single-image camera calibration with model-free distortion correction [0.0]
本稿では,センサ全体をカバーする平面スペックルパターンの単一画像から,キャリブレーションパラメータの完全な集合を推定する方法を提案する。
デジタル画像相関を用いて校正対象の画像点と物理点との対応を求める。
プロシージャの最後には、画像全体にわたって、密度が高く均一なモデルフリーな歪みマップが得られる。
論文 参考訳(メタデータ) (2024-03-02T16:51:35Z) - Coordinate-based Neural Network for Fourier Phase Retrieval [8.827173113748703]
Single ImpliCit neurAl Network (SCAN) は、位相探索性能を向上させるために慎重に設計されたニューラルネットワークをコーディネートするツールである。
SCANは、教師なしの方法で、オブジェクト座標を統一ネットワーク内の振幅と位相に順応的に接続する。
論文 参考訳(メタデータ) (2023-11-25T04:23:23Z) - PtychoDV: Vision Transformer-Based Deep Unrolling Network for
Ptychographic Image Reconstruction [12.780951605821238]
PtychoDVは、効率的で高品質な画像再構成のために設計された、新しいディープモデルベースのネットワークである。
シミュレーションデータの結果,PtychoDVは既存のディープラーニング手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-10-11T14:01:36Z) - Compressive Ptychography using Deep Image and Generative Priors [9.658250977094562]
Ptychographyは、ナノメートルスケールでサンプルの非侵襲的なイメージングを可能にする、よく確立されたコヒーレント回折イメージング技術である。
Ptychographyの最大の制限は、サンプルの機械的スキャンによる長いデータ取得時間である。
本稿では,深部画像先行と深部画像先行とを組み合わせた生成モデルを提案する。
論文 参考訳(メタデータ) (2022-05-05T02:18:26Z) - Mining the manifolds of deep generative models for multiple
data-consistent solutions of ill-posed tomographic imaging problems [10.115302976900445]
断層撮影は一般的に逆問題である。
本稿では,トモグラフィ逆問題に対する複数の解を求める経験的サンプリング手法を提案する。
論文 参考訳(メタデータ) (2022-02-10T20:27:31Z) - LocalTrans: A Multiscale Local Transformer Network for Cross-Resolution
Homography Estimation [52.63874513999119]
クロスレゾリューション画像アライメントは、マルチスケールギガ撮影において重要な問題である。
既存のディープ・ホモグラフィー手法は、それらの間の対応の明示的な定式化を無視し、クロスレゾリューションの課題において精度が低下する。
本稿では,マルチモーダル入力間の対応性を明確に学習するために,マルチスケール構造内に埋め込まれたローカルトランスフォーマーネットワークを提案する。
論文 参考訳(メタデータ) (2021-06-08T02:51:45Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z) - Learned Block Iterative Shrinkage Thresholding Algorithm for
Photothermal Super Resolution Imaging [52.42007686600479]
深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。
本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
論文 参考訳(メタデータ) (2020-12-07T09:27:16Z) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳(メタデータ) (2020-05-20T13:30:49Z)
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。