Fugu-MT 論文翻訳(概要): Implicitly Learned Neural Phase Functions for Basis-Free Point Spread Function Engineering

論文の概要: Implicitly Learned Neural Phase Functions for Basis-Free Point Spread Function Engineering

arxiv url: http://arxiv.org/abs/2410.05413v2
Date: Fri, 11 Oct 2024 05:19:26 GMT
ステータス: 処理完了
システム内更新日: 2024-11-01 18:57:16.229478
Title: Implicitly Learned Neural Phase Functions for Basis-Free Point Spread Function Engineering
Title（参考訳）: 基底自由点展開機能工学のための暗黙的に学習されたニューラルフェーズ関数
Authors: Aleksey Valouev,
Abstract要約: ポイントスプレッド機能(PSF)技術は、計算画像における光の焦点を正確に制御するために不可欠である。本稿では, 位相関数の品質において, 既存の画素ワイズ最適化手法を著しく上回る暗黙のニューラル表現を活用する新しい手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Point spread function (PSF) engineering is vital for precisely controlling the focus of light in computational imaging, with applications in neural imaging, fluorescence microscopy, and biophotonics. The PSF is derived from the magnitude of the Fourier transform of a phase function, making the construction of the phase function given the PSF (PSF engineering) an ill-posed inverse problem. Traditional PSF engineering methods rely on physical basis functions, limiting their ability to generalize across the range of PSFs required for imaging tasks. We introduce a novel approach leveraging implicit neural representations that significantly outperforms existing pixel-wise optimization methods in phase function quality.
Abstract（参考訳）: ポイントスプレッド機能(PSF)技術は、ニューラルネットワーク、蛍光顕微鏡、バイオフォトニクスなど、計算画像における光の焦点を正確に制御するために欠かせない。 PSF は位相関数のフーリエ変換の大きさから導かれ、PSF (PSF Engineering) に与えられた位相関数の構成が不適切な逆問題となる。従来のPSF工学手法は物理基底関数に依存しており、撮像タスクに必要なPSFの範囲で一般化する能力を制限する。本稿では, 位相関数の品質において, 既存の画素ワイズ最適化手法を著しく上回る暗黙のニューラル表現を活用する新しい手法を提案する。

関連論文リスト

A Physics-Informed Blur Learning Framework for Imaging Systems [20.105957982007283]
本稿では,物理インフォームドPSF学習フレームワークを提案する。我々のフレームワークは高い精度と普遍的な適用性を達成することができる。提案手法は,シミュレーションにおける画質の向上を示すとともに,実写画像の目立った画質向上を示す。
論文参考訳（メタデータ） (2025-02-17T02:54:14Z)
Enhancing and Accelerating Diffusion-Based Inverse Problem Solving through Measurements Optimization [66.17291150498276]
textbfMeasurements textbfOptimization (MO)は,逆問題解決プロセスの各ステップで計測情報を統合するための,より効率的なプラグイン・アンド・プレイモジュールである。 MOを使用することで、複数のタスクにまたがる最新技術(SOTA)のパフォーマンスを確立することができ、大きな利点があります。
論文参考訳（メタデータ） (2024-12-05T07:44:18Z)
Adaptive Random Fourier Features Training Stabilized By Resampling With Applications in Image Regression [0.8947831206263182]
浅層ニューラルネットワークのための適応型ランダムフーリエ(ARFF)訓練アルゴリズムを提案する。本手法は, 粒子フィルタ型再サンプリング法を用いて, トレーニング過程を安定化し, パラメータ選択に対する感度を低下させる。
論文参考訳（メタデータ） (2024-10-08T22:08:03Z)
Calibration-free quantitative phase imaging in multi-core fiber endoscopes using end-to-end deep learning [49.013721992323994]
位相再構成時間を5.5msに大幅に短縮する学習型MCF位相イメージング法を実証した。我々はまた,MCF位相イメージングに適した最初のオープンソースデータセットを自動生成する,革新的な光学システムも導入した。我々の訓練されたディープニューラルネットワーク(DNN)は、99.8%の平均忠実度を持つ実験において、堅牢な位相再構成性能を示す。
論文参考訳（メタデータ） (2023-12-12T09:30:12Z)
D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文参考訳（メタデータ） (2023-03-01T10:38:10Z)
Phase function estimation from a diffuse optical image via deep learning [10.270471342511904]
位相関数はモンテカルロ(MC)シミュレーションのための光伝搬モデルの鍵となる要素である。近年,Henyey-Greenstein相関数のような特定の形態の位相関数のパラメータを推定する機械学習手法が報告されている。ここでは、位相関数の形式に関する明示的な仮定なしで拡散光学画像から位相関数を推定する畳み込みニューラルネットワークを設計する。
論文参考訳（メタデータ） (2021-11-16T04:59:25Z)
Robust 360-8PA: Redesigning The Normalized 8-point Algorithm for 360-FoV Images [53.11097060367591]
球面投影における360-fov画像から本質行列を推定する新しい手法を提案する。我々の正規化は、時間を大幅に上回ることなく、カメラの精度を約20%向上させることができることを示す。
論文参考訳（メタデータ） (2021-04-22T07:23:11Z)
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)
Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
論文参考訳（メタデータ） (2020-11-09T02:51:17Z)
Spatially-Variant CNN-based Point Spread Function Estimation for Blind Deconvolution and Depth Estimation in Optical Microscopy [6.09170287691728]
薄めながら平らでない物体の光顕微鏡画像の解像度を向上する手法を提案する。畳み込みニューラルネットワーク(CNN)を用いた空間変動点スプレッド関数(PSF)モデルのパラメータを推定する。本手法は,理想条件下での2乗ピアソン相関係数0.99で画像自体からPSFパラメータを復元する。
論文参考訳（メタデータ） (2020-10-08T14:20:16Z)

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。