論文の概要: Deep Learning for Optical Misalignment Diagnostics in Multi-Lens Imaging Systems
- arxiv url: http://arxiv.org/abs/2506.23173v1
- Date: Sun, 29 Jun 2025 10:13:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.757406
- Title: Deep Learning for Optical Misalignment Diagnostics in Multi-Lens Imaging Systems
- Title（参考訳）: マルチレンズイメージングシステムにおける光学的ミスアライメント診断のための深層学習
- Authors: Tomer Slor, Dean Oren, Shira Baneth, Tom Coen, Haim Suchowski,
- Abstract要約: 多要素レンズシステムにおける誤認識を診断するための2つの相補的深層学習に基づく逆設計法を提案する。
まず、6-lensの写真素数における5自由度(5-DOF)の誤差を予測するために、レイトレートのスポット図を用い、横方向の翻訳で0.031mm、傾きで0.011$circ$となる平均絶対誤差を達成した。
また、グレースケールの合成カメラ画像を利用する物理シミュレーションパイプラインを導入し、深層学習モデルによる2レンズと6レンズのマルチレンズシステムにおける4-DOF、まともな精度、傾き誤差の推定を可能にした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the rapidly evolving field of optical engineering, precise alignment of multi-lens imaging systems is critical yet challenging, as even minor misalignments can significantly degrade performance. Traditional alignment methods rely on specialized equipment and are time-consuming processes, highlighting the need for automated and scalable solutions. We present two complementary deep learning-based inverse-design methods for diagnosing misalignments in multi-element lens systems using only optical measurements. First, we use ray-traced spot diagrams to predict five-degree-of-freedom (5-DOF) errors in a 6-lens photographic prime, achieving a mean absolute error of 0.031mm in lateral translation and 0.011$^\circ$ in tilt. We also introduce a physics-based simulation pipeline that utilizes grayscale synthetic camera images, enabling a deep learning model to estimate 4-DOF, decenter and tilt errors in both two- and six-lens multi-lens systems. These results show the potential to reshape manufacturing and quality control in precision imaging.
- Abstract（参考訳）: 急速に発展する光学工学の分野では、微調整でさえ性能を著しく低下させるため、マルチレンズイメージングシステムの正確なアライメントは極めて困難である。
従来のアライメント手法は特別な機器に依存し、時間を要するプロセスであり、自動化されたスケーラブルなソリューションの必要性を強調している。
光学的測定のみを用いた多素子レンズシステムにおいて,2つの相補的深層学習に基づく逆設計法を提案する。
まず、6-lens写真素数における5自由度(5-DOF)誤差の予測にレイトレートスポット図を用い、横方向の翻訳では0.031mm、傾きでは0.011$^\circ$となる平均絶対誤差を達成した。
また、グレースケールの合成カメラ画像を利用する物理シミュレーションパイプラインを導入し、深層学習モデルによる2レンズと6レンズのマルチレンズシステムにおける4-DOF、まともな精度、傾き誤差の推定を可能にした。
これらの結果は, 精密撮像における製造・品質管理の再構築の可能性を示している。
関連論文リスト
- Model-Independent Machine Learning Approach for Nanometric Axial Localization and Tracking [2.612019169899311]
両焦点平面画像から軸位置を決定できる畳み込みニューラルネットワーク(CNN)を用いた深層学習手法を提案する。
本手法は従来の単焦点平面法より6倍の40ナノメートルの軸方向局在精度を実現する。
論文 参考訳（メタデータ） (2025-05-20T14:55:26Z) - Dual-Modality Computational Ophthalmic Imaging with Deep Learning and Coaxial Optical Design [6.979642495062275]
本研究は, 底面撮影と屈折誤差検出を統合プラットフォームに統合した, コンパクトでデュアルファンクションな光学デバイスを提案する。
提案されたフレームワークは、特にコミュニティの健康設定に適した、迅速でインテリジェントでスケーラブルな眼科検診のための有望なソリューションを提供する。
論文 参考訳（メタデータ） (2025-04-13T05:35:17Z) - YOLO Network For Defect Detection In Optical lenses [0.0]
本研究では, YOLOv8ディープラーニングモデルに基づく自動欠陥検出システムを提案する。
欠陥とレンズ領域を付加した独自の光学レンズデータセットが作成され、モデルをトレーニングした。
本研究で得られた実験結果から,光学レンズの欠陥を効率よく,正確に検出できることがわかった。
論文 参考訳（メタデータ） (2025-02-11T14:41:30Z) - MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。
このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。
六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
論文 参考訳（メタデータ） (2024-12-12T15:01:39Z) - Physics-informed generative real-time lens-free imaging [8.474666653683638]
我々は、生成的非教師付き物理インフォームドニューラルネットワーク(PINN)と、簡単なホログラフィック画像再構成のための大視野視野(FOV)設定を組み合わせたGenLFIを紹介する。
実時間LFIシステムの20倍以上である550 mm$2$を超える実時間FOVを実証した。
論文 参考訳（メタデータ） (2024-03-12T16:20:27Z) - Neural Invertible Variable-degree Optical Aberrations Correction [6.6855248718044225]
本稿では,その情報ロスレス特性を利用して,可逆的アーキテクチャを用いた新しい収差補正手法を提案する。
アーキテクチャ内では、可変度で収差を処理できる条件付き可逆ブロックを開発する。
本手法は,物理画像シミュレーションによる合成データセットと実捕集データセットの両方を用いて評価する。
論文 参考訳（メタデータ） (2023-04-12T01:56:42Z) - Generic Lithography Modeling with Dual-band Optics-Inspired Neural
Networks [52.200624127512874]
我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。
提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。
また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
論文 参考訳（メタデータ） (2022-03-12T08:08:50Z) - 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) - Universal and Flexible Optical Aberration Correction Using Deep-Prior
Based Deconvolution [51.274657266928315]
そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。
具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
論文 参考訳（メタデータ） (2021-04-07T12:00:38Z) - Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。
このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。
線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-01T16:04:22Z) - Single-shot Hyperspectral-Depth Imaging with Learned Diffractive Optics [72.9038524082252]
単発単眼単眼ハイパースペクトル(HS-D)イメージング法を提案する。
本手法では, 回折光学素子 (DOE) を用いる。
DOE の学習を容易にするため,ベンチトップ HS-D イメージラーを構築することで,最初の HS-D データセットを提案する。
論文 参考訳（メタデータ） (2020-09-01T14:19:35Z)
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。