論文の概要: Denoising diffusion models for high-resolution microscopy image restoration
- arxiv url: http://arxiv.org/abs/2409.12078v1
- Date: Wed, 18 Sep 2024 15:53:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-19 16:55:29.549146
- Title: Denoising diffusion models for high-resolution microscopy image restoration
- Title(参考訳): 高分解能顕微鏡画像復元のためのデノジング拡散モデル
- Authors: Pamela Osuna-Vargas, Maren H. Wehrheim, Lucas Zinz, Johanna Rahm, Ashwin Balakrishnan, Alexandra Kaminer, Mike Heilemann, Matthias Kaschube,
- Abstract要約: 我々は,低分解能情報にモデルを条件付け,高分解能画像を予測するために,DDPM(denoising diffusion probabilistic model)を訓練する。
このモデルでは,4つの高度に多種多様なデータセットに対して,これまでで最も優れた性能を示す手法に近い性能を達成できることが示される。
- 参考スコア(独自算出の注目度): 34.82692226532414
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Advances in microscopy imaging enable researchers to visualize structures at the nanoscale level thereby unraveling intricate details of biological organization. However, challenges such as image noise, photobleaching of fluorophores, and low tolerability of biological samples to high light doses remain, restricting temporal resolutions and experiment durations. Reduced laser doses enable longer measurements at the cost of lower resolution and increased noise, which hinders accurate downstream analyses. Here we train a denoising diffusion probabilistic model (DDPM) to predict high-resolution images by conditioning the model on low-resolution information. Additionally, the probabilistic aspect of the DDPM allows for repeated generation of images that tend to further increase the signal-to-noise ratio. We show that our model achieves a performance that is better or similar to the previously best-performing methods, across four highly diverse datasets. Importantly, while any of the previous methods show competitive performance for some, but not all datasets, our method consistently achieves high performance across all four data sets, suggesting high generalizability.
- Abstract(参考訳): 顕微鏡画像の進歩により、研究者はナノスケールのレベルで構造を可視化し、複雑な生物学的組織の詳細を明らかにすることができる。
しかし, 画像ノイズ, フルオロフォアの光漂白, 生体試料の高光線に対する耐性の低下などの課題が残っており, 時間分解能や実験期間が制限されている。
レーザー線量を減らすことで、低分解能と高ノイズのコストでより長い測定が可能になるため、正確な下流分析が妨げられる。
ここでは,低分解能情報にモデルを条件付け,高分解能画像を予測するために拡散確率モデル(DDPM)を訓練する。
さらに、DDPMの確率的側面は、信号対雑音比をさらに増大させる傾向にある画像の繰り返し生成を可能にする。
このモデルでは,4つの高度に多種多様なデータセットに対して,これまでで最も優れた性能を示す手法に近い性能を達成できることが示される。
重要な点として,従来の手法では,すべてのデータセットに対して競合的な性能を示すものもあったが,本手法は4つのデータセットすべてに対して常に高い性能を達成しており,高い一般化性を示している。
関連論文リスト
- Speeding up Photoacoustic Imaging using Diffusion Models [0.0]
光音響顕微鏡(PAM)は、光学的および音響的イメージングを統合し、組織内の光学吸収成分を検出するための浸透深度を向上させる。
レーザーパルス繰り返し速度による速度制限により、計算手法の潜在的な役割は、PAMイメージングの加速において強調される。
PAM画像の高速化に拡散モデルを用いた,新しい高適応DiffPamアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-14T11:34:27Z) - Diffusion Reconstruction of Ultrasound Images with Informative
Uncertainty [5.375425938215277]
超音波画像の品質を高めるには、コントラスト、解像度、スペックル保存といった同時的な要因のバランスを取る必要がある。
拡散モデルの進歩を生かしたハイブリッドアプローチを提案する。
シミュレーション,in-vitro,in-vivoデータの総合的な実験を行い,本手法の有効性を実証した。
論文 参考訳(メタデータ) (2023-10-31T16:51:40Z) - ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with
Diffusion Models [126.35334860896373]
本研究では,事前学習した拡散モデルから,トレーニング画像サイズよりもはるかに高解像度で画像を生成する能力について検討する。
注意ベースや共同拡散アプローチのような、高分解能な生成のための既存の研究は、これらの問題にうまく対処できない。
本稿では,推論中の畳み込み知覚場を動的に調整できる簡易かつ効果的な再拡張法を提案する。
論文 参考訳(メタデータ) (2023-10-11T17:52:39Z) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳(メタデータ) (2023-07-03T06:49:04Z) - 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) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using
Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。
CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。
Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文 参考訳(メタデータ) (2022-08-24T03:13:04Z) - Unsupervised Denoising of Retinal OCT with Diffusion Probabilistic Model [0.2578242050187029]
本稿では,信号の代わりにノイズから学習するための拡散確率モデルを提案する。
本手法は,簡単な作業パイプラインと少量のトレーニングデータを用いて,画像品質を著しく向上させることができる。
論文 参考訳(メタデータ) (2022-01-27T19:02:38Z) - Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。
学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。
非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
論文 参考訳(メタデータ) (2020-12-15T07:09:02Z) - Distributed optimization for nonrigid nano-tomography [0.40631409309544836]
本研究では,ナノスケールの試料の投影アライメント,アンワーピング,正規化を併用した共同解析器を提案する。
投影データの一貫性は、ファーンバックのアルゴリズムによって推定される密度の高い光流によって制御され、より少ないアーティファクトで鋭いサンプル再構成をもたらす。
論文 参考訳(メタデータ) (2020-07-11T19:22:43Z)
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。