論文の概要: Dehazing Light Microscopy Images with Guided Conditional Flow Matching: finding a sweet spot between fidelity and realism
- arxiv url: http://arxiv.org/abs/2506.22397v1
- Date: Fri, 27 Jun 2025 17:10:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-30 21:12:23.305603
- Title: Dehazing Light Microscopy Images with Guided Conditional Flow Matching: finding a sweet spot between fidelity and realism
- Title（参考訳）: 条件付きフローマッチングを用いた光顕微鏡画像のデハージング:忠実さとリアリズムのスイートスポットを見つける
- Authors: Anirban Ray, Ashesh, Florian Jug,
- Abstract要約: 光顕微鏡画像のデハージングのための新しい反復法HazeMatchingを提案する。
我々の目標は、デハジング結果の忠実さと個人の予測の現実性の間にバランスのとれたトレードオフを見つけることであった。
提案手法は, 平均的な忠実度と現実性との間に一貫したバランスを保ちながら, 7つの基準線と比較する。
- 参考スコア（独自算出の注目度）: 6.87862884496602
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fluorescence microscopy is a major driver of scientific progress in the life sciences. Although high-end confocal microscopes are capable of filtering out-of-focus light, cheaper and more accessible microscopy modalities, such as widefield microscopy, can not, which consequently leads to hazy image data. Computational dehazing is trying to combine the best of both worlds, leading to cheap microscopy but crisp-looking images. The perception-distortion trade-off tells us that we can optimize either for data fidelity, e.g. low MSE or high PSNR, or for data realism, measured by perceptual metrics such as LPIPS or FID. Existing methods either prioritize fidelity at the expense of realism, or produce perceptually convincing results that lack quantitative accuracy. In this work, we propose HazeMatching, a novel iterative method for dehazing light microscopy images, which effectively balances these objectives. Our goal was to find a balanced trade-off between the fidelity of the dehazing results and the realism of individual predictions (samples). We achieve this by adapting the conditional flow matching framework by guiding the generative process with a hazy observation in the conditional velocity field. We evaluate HazeMatching on 5 datasets, covering both synthetic and real data, assessing both distortion and perceptual quality. Our method is compared against 7 baselines, achieving a consistent balance between fidelity and realism on average. Additionally, with calibration analysis, we show that HazeMatching produces well-calibrated predictions. Note that our method does not need an explicit degradation operator to exist, making it easily applicable on real microscopy data. All data used for training and evaluation and our code will be publicly available under a permissive license.
- Abstract（参考訳）: 蛍光顕微鏡は、生命科学における科学的進歩の主要な要因である。
ハイエンドの共焦点顕微鏡は焦点外光をフィルタリングする能力があるが、広視野顕微鏡のような安価でアクセスしやすい顕微鏡は不可能であり、結果としてかすかな画像データをもたらす。
計算的なデハジングは、両方の世界の長所を組み合わせようとしている。
知覚歪みトレードオフは、例えば、低MSEや高PSNRなどのデータ忠実度や、LPIPSやFIDといった知覚的メトリクスによって測定されたデータリアリズムに最適化できることを示している。
既存の方法は、現実主義を犠牲にして忠実さを優先するか、量的正確性に欠ける知覚的に説得力のある結果を生み出すかのいずれかである。
本研究では,光顕微鏡画像のデハージングのための新しい反復的手法であるHazeMatchingを提案し,これらの目的を効果的にバランスさせる。
私たちの目標は、デハジング結果の忠実さと個々の予測(サンプル)の現実性の間にバランスのとれたトレードオフを見つけることです。
本研究では,条件流速場におけるハズーな観測で生成過程を導くことにより,条件流整合の枠組みを適応させることによりこれを実現できる。
5つのデータセットでHazeMatchingを評価し、合成データと実データの両方をカバーし、歪みと知覚品質の両方を評価した。
提案手法は, 平均的な忠実度と現実性との間に一貫したバランスを保ちながら, 7つの基準線と比較する。
さらに,キャリブレーション解析により,HazeMatchingがよく校正された予測を生成することを示す。
なお,本手法では明確な劣化演算子は必要とせず,実際の顕微鏡データに容易に適用可能である。
トレーニングと評価に使用されるすべてのデータと私たちのコードは、パーミッシブなライセンスの下で公開されます。
関連論文リスト
- A Bias-Free Training Paradigm for More General AI-generated Image Detection [15.421102443599773]
良く設計された法医学的検知器は、データバイアスを反映するのではなく、生成物固有のアーティファクトを検出する必要がある。
本稿では,実画像から偽画像を生成する,バイアスのない学習パラダイムであるB-Freeを提案する。
我々は,最先端検出器の一般化とロバスト性の両方において有意な改善が認められた。
論文 参考訳（メタデータ） (2024-12-23T15:54:32Z) - LMHaze: Intensity-aware Image Dehazing with a Large-scale Multi-intensity Real Haze Dataset [14.141433473509826]
本稿では,大規模で高品質な実世界のデータセットLMHazeを紹介する。
LMHazeは、屋内および屋外の多様な環境で撮影された、ヘイズフリーとヘイズフリーの2つの画像で構成されている。
そこで本研究では,Mambaをベースとした混合実験モデルを提案する。
論文 参考訳（メタデータ） (2024-10-21T15:20:02Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - Integrating Prior Knowledge in Contrastive Learning with Kernel [4.050766659420731]
我々は、カーネル理論を用いて、(i)事前知識の統合を可能にし、(i)元のInfoNCE損失における負の正の結合を取り除くという、分離均一性(decoupled uniformity)と呼ばれる新しい損失を提案する。
教師なしの環境では、CLは自然画像と医用画像の両方で表現を改善するために生成モデルから恩恵を受けることを実証的に実証する。
論文 参考訳（メタデータ） (2022-06-03T15:43:08Z) - Imposing Consistency for Optical Flow Estimation [73.53204596544472]
プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。
本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
論文 参考訳（メタデータ） (2022-04-14T22:58:30Z) - From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real
Data [58.50411487497146]
ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。
まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。
そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
論文 参考訳（メタデータ） (2021-08-06T04:00:28Z) - Stereo Matching by Self-supervision of Multiscopic Vision [65.38359887232025]
カメラ位置の整列で撮影した複数の画像を利用したステレオマッチングのための新しい自己監視フレームワークを提案する。
ネットワークを最適化するために、クロスフォトメトリックロス、不確実性を認識した相互監督損失、および新しい平滑性損失が導入されます。
我々のモデルは、KITTIデータセット上の以前の教師なし手法よりも、より良い不均一性マップを得る。
論文 参考訳（メタデータ） (2021-04-09T02:58:59Z) - Optical Flow Dataset Synthesis from Unpaired Images [36.158607790844705]
本稿では,光の流れを教師付きで訓練するために使用できる擬似実画像の訓練セットを構築する新しい手法を提案する。
我々のデータセットは実データから2つの未ペアフレームを使用し、ランダムなワープをシミュレートしてフレームのペアを生成する。
そこで我々は,真理を正確に把握しながら,実データを直接訓練する利点を得る。
論文 参考訳（メタデータ） (2021-04-02T22:19:47Z) - Practical sensorless aberration estimation for 3D microscopy with deep
learning [1.6662996732774467]
シミュレーションデータのみに基づいてトレーニングしたニューラルネットワークが,実実験画像の正確な予測を行うことを示す。
また、データ要求に対する個々の収差の予測可能性についても検討し、波面の対称性が重要な役割を果たすことを発見した。
論文 参考訳（メタデータ） (2020-06-02T17:39:32Z) - FD-GAN: Generative Adversarial Networks with Fusion-discriminator for
Single Image Dehazing [48.65974971543703]
画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。
我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。
実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
論文 参考訳（メタデータ） (2020-01-20T04:36:11Z)
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。