論文の概要: Machine learning with sub-diffraction resolution in the photon-counting regime

• arxiv url: http://arxiv.org/abs/2406.03179v2
• Date: Wed, 12 Feb 2025 16:45:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:46:00.462390
• Title: Machine learning with sub-diffraction resolution in the photon-counting regime
• Title（参考訳）: 光子計数系におけるサブ回折分解能を用いた機械学習
• Authors: Giuseppe Buonaiuto, Cosmo Lupo,
• Abstract要約: サブレイリー推定の手法として空間モードデマルチプレクシング(SPADE)が提案されている。 本研究では,SPADEが画像分類のより広い文脈でサブ回折分解能を得ることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The resolution of optical imaging is classically limited by the width of the point-spread function, which in turn is determined by the Rayleigh length. Recently, spatial-mode demultiplexing (SPADE) has been proposed as a method to achieve sub-Rayleigh estimation and discrimination of natural, incoherent sources. Here we show that SPADE yields sub-diffraction resolution in the broader context of image classification. To achieve this goal, we outline a hybrid machine learning algorithm for image classification that includes a physical part and a computational part. The physical part implements a physical pre-processing of the optical field that cannot be simulated without essentially reducing the signal-to-noise ratio. In detail, a spatial-mode demultiplexer is used to sort the transverse field, followed by mode-wise photon detection. In the computational part, the collected data are fed into an artificial neural network for training and classification. As a case study, we classify images from the MNIST dataset after severe blurring due to diffraction. Our numerical experiments demonstrate the ability to classify highly blurred images that would be otherwise indistinguishable by direct imaging without the physical pre-processing of the optical field.
• Abstract（参考訳）: 光画像の解像度は、古典的にはポイントスプレッド関数の幅によって制限され、レイリー長によって決定される。 近年,空間モードデマルチプレキシング (SPADE) は,自然・不整合な情報源のサブレイリー推定と識別を実現する手法として提案されている。 ここでは、SPADEが画像分類のより広い文脈でサブ回折分解能を得ることを示す。 この目的を達成するために、物理部と計算部を含む画像分類のためのハイブリッド機械学習アルゴリズムを概説する。 物理部は、信号対雑音比を本質的に減少させることなく、シミュレートできない光学場の物理前処理を実装している。 詳しくは、空間モードデマルチプレクサを用いて、横フィールドをソートし、次にモードワイド光子検出を行う。 計算部では、収集したデータは、トレーニングと分類のために人工ニューラルネットワークに入力される。 そこで本研究では,MNISTデータセットから,回折による鮮明なぼやけた画像の分類を行った。 我々の数値実験は、光学場の物理前処理を使わずに直接撮像によって識別不可能な、非常にぼやけた画像を分類できることを実証している。

関連論文リスト

• bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
  疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。 本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:30:35Z)
• 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)
• Advancements in Feature Extraction Recognition of Medical Imaging Systems Through Deep Learning Technique [0.36651088217486427]
  高速な画像認識を実現するために,重みに基づく目的関数を提案する。 単純なアルゴリズムを用いたしきい値最適化手法を提案する。 異なる種類のオブジェクトは互いに独立しており、画像処理においてコンパクトであることがわかった。
  論文  参考訳（メタデータ） (2024-05-23T04:46:51Z)
• Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
  我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。 新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。 増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
  論文  参考訳（メタデータ） (2023-08-10T12:53:30Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
  汚れは視覚的により快適な写真を提供し、写真がより便利になる。 非均一な曖昧さを数学的にモデル化することは困難である。 我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
  論文  参考訳（メタデータ） (2023-01-18T06:37:21Z)
• 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)
• Deep Probabilistic Imaging: Uncertainty Quantification and Multi-modal Solution Characterization for Computational Imaging [11.677576854233394]
  本稿では,再構成の不確かさを定量化するために,変分深い確率的イメージング手法を提案する。 Deep Probabilistic Imagingは、未学習の深部生成モデルを用いて、未観測画像の後部分布を推定する。
  論文  参考訳（メタデータ） (2020-10-27T17:23:09Z)
• Deeply Learned Spectral Total Variation Decomposition [8.679020335206753]
  非線形スペクトル分解のニューラルネットワーク近似を提案する。 我々は、メガピクセルサイズの画像の処理において最大4桁(時間1万ドル)のスピードアップを報告した。
  論文  参考訳（メタデータ） (2020-06-17T17:10:43Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)
• Extracting dispersion curves from ambient noise correlations using deep learning [1.0237120900821557]
  本研究では,表面波の分散曲線の位相を分類する機械学習手法を提案する。 受信機のアレイで観測された表面の標準FTAN解析を画像に変換する。 我々は、教師付き学習目標を備えた畳み込みニューラルネットワーク(U-net)アーキテクチャを使用し、伝達学習を取り入れる。
  論文  参考訳（メタデータ） (2020-02-05T23:41:12Z)

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。