論文の概要: indiSplit: Bringing Severity Cognizance to Image Decomposition in Fluorescence Microscopy
- arxiv url: http://arxiv.org/abs/2503.22983v1
- Date: Sat, 29 Mar 2025 06:00:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 14:36:09.889326
- Title: indiSplit: Bringing Severity Cognizance to Image Decomposition in Fluorescence Microscopy
- Title（参考訳）: IndiSplit:蛍光顕微鏡における画像分解に重度認知をもたらす
- Authors: Ashesh Ashesh, Florian Jug,
- Abstract要約: 計算多重化技術は、複数の細胞構造を単一の画像で捉え、後に未混合にすることを可能にする。
与えられた入力に対する重ね合わせ画像の相対強度(混合比)が未定であることに注意する必要がある。
i) 与えられた入力画像の劣化レベル(混合)を予測する訓練された回帰器ネットワークと(ii) 劣化特異的正規化モジュールを導入し、劣化認識推論を可能にする。
- 参考スコア（独自算出の注目度）: 7.362569187959687
- License:
- Abstract: Fluorescence microscopy, while being a key driver for progress in the life sciences, is also subject to technical limitations. To overcome them, computational multiplexing techniques have recently been proposed, which allow multiple cellular structures to be captured in a single image and later be unmixed. Existing image decomposition methods are trained on a set of superimposed input images and the respective unmixed target images. It is critical to note that the relative strength (mixing ratio) of the superimposed images for a given input is a priori unknown. However, existing methods are trained on a fixed intensity ratio of superimposed inputs, making them not cognizant to the range of relative intensities that can occur in fluorescence microscopy. In this work, we propose a novel method called indiSplit that is cognizant of the severity of the above mentioned mixing ratio. Our idea is based on InDI, a popular iterative method for image restoration, and an ideal starting point to embrace the unknown mixing ratio in any given input. We introduce (i) a suitably trained regressor network that predicts the degradation level (mixing asymmetry) of a given input image and (ii) a degradation-specific normalization module, enabling degradation-aware inference across all mixing ratios. We show that this method solves two relevant tasks in fluorescence microscopy, namely image splitting and bleedthrough removal, and empirically demonstrate the applicability of indiSplit on $5$ public datasets. We will release all sources under a permissive license.
- Abstract（参考訳）: 蛍光顕微鏡は、生命科学の進歩の鍵を握っているが、技術的な限界もある。
計算多重化技術は近年提案されており、複数のセル構造を単一の画像でキャプチャし、後にアンミックスすることができる。
既存の画像分解方法は、重畳された入力画像と、各未混合対象画像とに基づいて訓練される。
与えられた入力に対する重ね合わせ画像の相対強度(混合比)が未定であることに注意する必要がある。
しかし、既存の方法は重畳された入力の固定強度比に基づいて訓練されており、蛍光顕微鏡で発生する相対強度の範囲に認識できない。
本研究では,上記の混合比の重大さを認識したindiSplitという新しい手法を提案する。
我々のアイデアは、画像復元の一般的な反復法であるInDIに基づいており、任意の入力において未知の混合比を受け入れる理想的な出発点である。
紹介
一 所定の入力画像の劣化レベル(混合非対称性)を予測し、好適に訓練した回帰器ネットワーク
(II) 分解特異的な正規化モジュールで、全ての混合比における劣化認識推論を可能にする。
本手法は, 蛍光顕微鏡における2つの課題, すなわち, 画像分割と出血除去を解決し, 5ドルの公開データセット上でのindiSplitの適用性を実証的に示す。
すべてのソースを寛容なライセンスでリリースします。
関連論文リスト
- 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) - AdaIR: Adaptive All-in-One Image Restoration via Frequency Mining and Modulation [99.57024606542416]
周波数マイニングと変調に基づく適応的なオールインワン画像復元ネットワークを提案する。
我々のアプローチは、異なる周波数サブバンド上の画像内容に異なる劣化タイプが影響を及ぼすという観察によって動機付けられている。
提案モデルでは,入力劣化に応じて情報周波数サブバンドをアクセントすることで適応的再構成を実現する。
論文 参考訳（メタデータ） (2024-03-21T17:58:14Z) - DHFormer: A Vision Transformer-Based Attention Module for Image Dehazing [0.0]
ぼんやりとした条件で取得された画像は、それらによって引き起こされる劣化を生じさせる。
ハウズの効果を緩和し、ヘイズフリーな画像を生成するために、事前ベースおよび学習ベースのアプローチが提案されている。
本稿では,アテンションモジュールにおける残差学習と視覚変換を用いた手法を提案する。
論文 参考訳（メタデータ） (2023-12-15T17:05:32Z) - Fluctuation-based deconvolution in fluorescence microscopy using
plug-and-play denoisers [2.236663830879273]
蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。
この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
論文 参考訳（メタデータ） (2023-03-20T15:43:52Z) - CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature Ensemble for Multi-modality Image Fusion [68.78897015832113]
我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。
本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-11-20T12:02:07Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - 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) - Adaptively Sparse Regularization for Blind Image Restoration [0.0]
ブラインド画像復元は画像の品質向上に広く利用されている。
主な目標は、ぼかしカーネルと潜むシャープなイメージを忠実に見積もることです。
本研究では,適応的スパース正規化最小化法を提案する。
論文 参考訳（メタデータ） (2021-01-23T02:40:01Z) - Augmented Equivariant Attention Networks for Microscopy Image
Reconstruction [44.965820245167635]
高品質または高解像度の電子顕微鏡(EM)と蛍光顕微鏡(FM)の画像を取るのに時間がかかり、費用がかかる。
深層学習により、様々な種類の顕微鏡画像再構成のための画像から画像への変換タスクを実行できる。
本稿では,画像間の依存関係を捕捉する機能を持つ拡張同変アテンションネットワーク(AEANets)を提案する。
論文 参考訳（メタデータ） (2020-11-06T23:37:49Z) - CoMIR: Contrastive Multimodal Image Representation for Registration [4.543268895439618]
我々は,CoMIR(Contrastive Multimodal Image Representations)と呼ばれる,共有された高密度画像表現を学習するためのコントラスト符号化を提案する。
CoMIRは、十分に類似した画像構造が欠如しているため、既存の登録方法がしばしば失敗するマルチモーダル画像の登録を可能にする。
論文 参考訳（メタデータ） (2020-06-11T10:51:33Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。