論文の概要: FLASHμ: Fast Localizing And Sizing of Holographic Microparticles

• arxiv url: http://arxiv.org/abs/2503.11538v1
• Date: Fri, 14 Mar 2025 16:04:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:04:51.010224
• Title: FLASHμ: Fast Localizing And Sizing of Holographic Microparticles
• Title（参考訳）: FLASHμ:ホログラフィー微粒子の高速局在とサイズ化
• Authors: Ayush Paliwal, Oliver Schlenczek, Birte Thiede, Manuel Santos Pereira, Katja Stieger, Eberhard Bodenschatz, Gholamhossein Bagheri, Alexander Ecker,
• Abstract要約: 我々は,2段階のニューラルネットワークアーキテクチャFLASH$mu$を提案し,最大20cmの試料深度を持つホログラムから微小粒子を検出する。 本手法は, 実ホログラムの少なくとも9$mu$mの粒子を確実に検出する。 非局所物体検出や信号デミキシング問題への新しいアプローチの導入に加えて、低コストでリアルタイムなホログラフィー画像設定を可能にした。
• 参考スコア（独自算出の注目度）: 34.82692226532414
• License:
• Abstract: Reconstructing the 3D location and size of microparticles from diffraction images - holograms - is a computationally expensive inverse problem that has traditionally been solved using physics-based reconstruction methods. More recently, researchers have used machine learning methods to speed up the process. However, for small particles in large sample volumes the performance of these methods falls short of standard physics-based reconstruction methods. Here we designed a two-stage neural network architecture, FLASH$\mu$, to detect small particles (6-100$\mu$m) from holograms with large sample depths up to 20cm. Trained only on synthetic data with added physical noise, our method reliably detects particles of at least 9$\mu$m diameter in real holograms, comparable to the standard reconstruction-based approaches while operating on smaller crops, at quarter of the original resolution and providing roughly a 600-fold speedup. In addition to introducing a novel approach to a non-local object detection or signal demixing problem, our work could enable low-cost, real-time holographic imaging setups.
• Abstract（参考訳）: 回折画像(ホログラム)から微小粒子の3次元位置と大きさを再構成することは計算コストのかかる逆問題であり、伝統的に物理学に基づく再構成法を用いて解決されてきた。 最近では、機械学習を使ってプロセスを高速化している。 しかし, 試料体積の小さい粒子の場合, これらの手法の性能は標準物理に基づく再現法に劣る。 そこで我々は,2段階のニューラルネットワークアーキテクチャであるFLASH$\mu$を設計し,最大20cmのサンプル深度を持つホログラムから小粒子(6-100$\mu$m)を検出する。 物理ノイズを付加した合成データのみに基づいて,本手法は実ホログラムの少なくとも9$\mu$mの粒子を確実に検出する。 非局所物体検出や信号デミキシング問題への新しいアプローチの導入に加えて、低コストでリアルタイムなホログラフィー画像設定を可能にした。

関連論文リスト

• OAH-Net: A Deep Neural Network for Hologram Reconstruction of Off-axis Digital Holographic Microscope [5.835347176172883]
  本稿では, 深層学習とオフ軸ホログラフィの物理原理を融合した新しい再構成手法を提案する。 我々のオフ軸ホログラムネットワーク(OAH-Net)は、ハードウェアに起因する測定誤差範囲内にある誤差のある位相および振幅画像を取得する。 この能力は、生物学的および医学の両方でオフ軸ホログラフィーの応用をさらに拡大する。
  論文  参考訳（メタデータ） (2024-10-17T14:25:18Z)
• Passive superresolution imaging of incoherent objects [63.942632088208505]
  手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。 ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
  論文  参考訳（メタデータ） (2023-04-19T15:53:09Z)
• Fast and robust single particle reconstruction in 3D fluorescence microscopy [1.0625549557437526]
  単一粒子再構成は、軸方向分解能と蛍光標識の度合いを改善するための強力な技術である。 3次元蛍光顕微鏡における畳み込みモデル専用の単一粒子再構成法を提案する。 計算コストを低く抑えつつ,分解能および再構成誤差の観点から合成手法を実証する。
  論文  参考訳（メタデータ） (2023-01-23T14:20:01Z)
• 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)
• An unsupervised deep learning algorithm for single-site reconstruction in quantum gas microscopes [47.187609203210705]
  量子ガス顕微鏡実験では、物理観測物の正確な抽出には、高忠実度でサイト分解格子の占有を再構築することが不可欠である。 本稿では,深部畳み込みニューラルネットワークに基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-22T18:57:27Z)
• DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography [3.4635026053111484]
  デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。 本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:13:45Z)
• Neural network processing of holographic images [0.0]
  空飛ぶ雲の粒子イメージ装置であるHOLODECは、一定量の雲のホログラフィック画像をキャプチャして、雲の粒子の種類と大きさを特徴付ける。 本稿では,ニューラルセグメンテーションモデル,GPU,計算並列化を利用したホログラム処理アルゴリズムHolodecMLを提案する。
  論文  参考訳（メタデータ） (2022-03-16T19:20:37Z)
• IFOR: Iterative Flow Minimization for Robotic Object Rearrangement [92.97142696891727]
  IFOR(Iterative Flow Minimization for Robotic Object Rearrangement)は、未知物体の物体再構成問題に対するエンドツーエンドの手法である。 本手法は,合成データのみを訓練しながら,散在するシーンや実世界に適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-01T20:03:56Z)
• 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)

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。