論文の概要: Limited-angle x-ray nano-tomography with machine-learning enabled iterative reconstruction engine
- arxiv url: http://arxiv.org/abs/2503.19248v1
- Date: Tue, 25 Mar 2025 01:14:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:54:15.726620
- Title: Limited-angle x-ray nano-tomography with machine-learning enabled iterative reconstruction engine
- Title(参考訳): 機械学習によるリミテッドアングルX線ナノトモグラフィー
- Authors: Chonghang Zhao, Mingyuan Ge, Xiaogang Yang, Yong S. Chu, Hanfei Yan,
- Abstract要約: 本稿ではパーセプション融合反復トモグラフィ再構成エンジンという手法を提案する。
畳み込みニューラルネットワーク(CNN)と、スマートレギュレータとしての認識知識を、反復的な問題解決エンジンに統合する。
異なるX線顕微鏡技術を用いて得られた様々な実験データセットを用いて,提案手法の有効性を実証する。
- 参考スコア(独自算出の注目度): 0.820550741199358
- License:
- Abstract: A long-standing challenge in tomography is the 'missing wedge' problem, which arises when the acquisition of projection images within a certain angular range is restricted due to geometrical constraints. This incomplete dataset results in significant artifacts and poor resolution in the reconstructed image. To tackle this challenge, we propose an approach dubbed Perception Fused Iterative Tomography Reconstruction Engine, which integrates a convolutional neural network (CNN) with perceptional knowledge as a smart regularizer into an iterative solving engine. We employ the Alternating Direction Method of Multipliers to optimize the solution in both physics and image domains, thereby achieving a physically coherent and visually enhanced result. We demonstrate the effectiveness of the proposed approach using various experimental datasets obtained with different x-ray microscopy techniques. All show significantly improved reconstruction even with a missing wedge of over 100 degrees - a scenario where conventional methods fail. Notably, it also improves the reconstruction in case of sparse projections, despite the network not being specifically trained for that. This demonstrates the robustness and generality of our method of addressing commonly occurring challenges in 3D x-ray imaging applications for real-world problems.
- Abstract(参考訳): トモグラフィーにおける長年の課題は、「ミス・ウェッジ」問題であり、幾何的制約によりある角度範囲における投影画像の取得が制限されたときに生じる。
この不完全なデータセットは、再構成された画像において重要なアーティファクトと低解像度をもたらす。
この課題に対処するため、我々は、畳み込みニューラルネットワーク(CNN)をスマートレギュレータとして認識知識と統合した、知覚融合反復トモグラフィ再構成エンジン(Perception Fused Iterative Tomography Reconstruction Engine)というアプローチを提案する。
物理領域と画像領域の両方で解を最適化するために, 乗算器の交互方向法を用いて, 物理的に一貫性があり, 視覚的に拡張された結果を得る。
異なるX線顕微鏡技術を用いて得られた様々な実験データセットを用いて,提案手法の有効性を実証する。
いずれも、従来の手法が失敗するシナリオとして、100度を超えるウィッジが欠如している場合でも、再構築が大幅に改善されたことを示している。
特に、ネットワークが特別にトレーニングされていないにもかかわらず、スパースプロジェクションの場合には、再構築も改善される。
このことは,実世界の問題に対する3次元X線イメージングアプリケーションにおいて,一般的に発生する課題に対処する手法の頑健さと汎用性を示すものである。
関連論文リスト
- Deep Guess acceleration for explainable image reconstruction in sparse-view CT [0.0]
スパースビューCT(Sparse-view Computed)は、医療画像における放射線線量を減らすために設計された新しいプロトコルである。
従来のフィルタバックプロジェクションの復元は、スパースデータによる深刻なアーティファクトに悩まされている。
対照的に、モデルベース反復再建(MBIR)は、臨床的使用には計算コストがかかりすぎる。
論文 参考訳(メタデータ) (2024-12-02T16:49:42Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - A sparse coding approach to inverse problems with application to
microwave tomography [2.230861711161317]
哺乳類の視覚系に触発された自然画像に対して,現実的でコンパクトで効果的な生成モデルを提案する。
これにより、大量の画像の集合上でモデルをトレーニングすることで、不測の線形逆問題に対処することができる。
マイクロ波トモグラフィー画像における非線形および不適切な問題に対するスパース符号化の適用を拡大する。
論文 参考訳(メタデータ) (2023-08-07T14:28:59Z) - Neural 3D Reconstruction in the Wild [86.6264706256377]
そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。
そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
論文 参考訳(メタデータ) (2022-05-25T17:59:53Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳(メタデータ) (2021-11-27T12:12:57Z) - 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) - Uncalibrated Neural Inverse Rendering for Photometric Stereo of General
Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。
既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。
本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文 参考訳(メタデータ) (2020-12-12T10:33:08Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳(メタデータ) (2020-07-21T11:48:22Z) - Real-time 3D Nanoscale Coherent Imaging via Physics-aware Deep Learning [0.7664249650622356]
深層畳み込みニューラルネットワークと微分プログラミングフレームワークである3D-CDI-NNを導入し,3次元構造とひずみを予測する。
私たちのネットワークは、複数の面で「物理認識」するように設計されています。
我々の統合機械学習および微分プログラミングソリューションは、他のアプリケーション領域における逆問題に広く適用できます。
論文 参考訳(メタデータ) (2020-06-16T18:35:32Z) - Learned Spectral Computed Tomography [0.0]
スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。
この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。
提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
論文 参考訳(メタデータ) (2020-03-09T13:39:12Z)
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。