論文の概要: Learning neural representations for X-ray ptychography reconstruction with unknown probes

• arxiv url: http://arxiv.org/abs/2509.04402v1
• Date: Thu, 04 Sep 2025 17:13:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.230232
• Title: Learning neural representations for X-ray ptychography reconstruction with unknown probes
• Title（参考訳）: 未知プローブを用いたX線写真再構成のための神経表現の学習
• Authors: Tingyou Li, Zixin Xu, Zirui Gao, Hanfei Yan, Xiaojing Huang, Jizhou Li,
• Abstract要約: X線写真は例外的なナノスケール分解能を提供し、材料科学、生物学、ナノテクノロジーに広く応用されている。 その潜在能力は、プローブが未知のときに正確に画像を再構成するという重要な課題によって制限されている。 従来の反復法やディープラーニングアプローチは、特に低線量および高速な実験に固有の低信号条件下では、しばしば準最適である。 本研究では,Ptychographic Implicit Neural Representation (PvtINR)を提案する。
• 参考スコア（独自算出の注目度）: 9.112462327278404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: X-ray ptychography provides exceptional nanoscale resolution and is widely applied in materials science, biology, and nanotechnology. However, its full potential is constrained by the critical challenge of accurately reconstructing images when the illuminating probe is unknown. Conventional iterative methods and deep learning approaches are often suboptimal, particularly under the low-signal conditions inherent to low-dose and high-speed experiments. These limitations compromise reconstruction fidelity and restrict the broader adoption of the technique. In this work, we introduce the Ptychographic Implicit Neural Representation (PtyINR), a self-supervised framework that simultaneously addresses the object and probe recovery problem. By parameterizing both as continuous neural representations, PtyINR performs end-to-end reconstruction directly from raw diffraction patterns without requiring any pre-characterization of the probe. Extensive evaluations demonstrate that PtyINR achieves superior reconstruction quality on both simulated and experimental data, with remarkable robustness under challenging low-signal conditions. Furthermore, PtyINR offers a generalizable, physics-informed framework for addressing probe-dependent inverse problems, making it applicable to a wide range of computational microscopy problems.
• Abstract（参考訳）: X線写真は例外的なナノスケール分解能を提供し、材料科学、生物学、ナノテクノロジーに広く応用されている。 しかし、その潜在能力は、照明プローブが未知の場合には、正確に画像を再構成する重要な課題によって制約される。 従来の反復法やディープラーニングアプローチは、特に低線量および高速な実験に固有の低信号条件下では、しばしば準最適である。 これらの制限は、再建の忠実さを損なうとともに、この技法の広範な採用を制限する。 本研究では,Ptychographic Implicit Neural Representation (PtyINR)を提案する。 どちらも連続した神経表現としてパラメータ化することで、PtyINRはプローブの事前評価を必要とせず、生の回折パターンから直接エンドツーエンドの再構成を行う。 PtyINRは、シミュレーションデータと実験データの両方において、低信号条件下での顕著な堅牢性により、より優れた再構成品質を実現することを示す。 さらに、PtyINRは、プローブ依存の逆問題に対処するための一般化可能な物理インフォームドフレームワークを提供し、幅広い計算顕微鏡問題に適用できる。

関連論文リスト

• High-Fidelity Functional Ultrasound Reconstruction via A Visual Auto-Regressive Framework [58.07923338080814]
  機能的神経側頭葉イメージングはマッピングに例外的な解像度を提供する。 しかし、その実践的応用は重大な課題によって妨げられている。 データ不足、倫理的考慮、信号劣化などが含まれる。
  論文  参考訳（メタデータ） (2025-05-23T15:27:17Z)
• Limited-angle x-ray nano-tomography with machine-learning enabled iterative reconstruction engine [0.820550741199358]
  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。
  論文  参考訳（メタデータ） (2025-03-25T01:14:16Z)
• High-fidelity Endoscopic Image Synthesis by Utilizing Depth-guided Neural Surfaces [18.948630080040576]
  内視鏡画像に適用したNeuSを1フレームの深度マップで補足した新しい大腸部分再建法を提案する。 本手法は, 大腸切片を完全にレンダリングし, 表面の見えない部分を捕捉する際の異常な精度を示す。 このブレークスルーは、安定的で一貫してスケールされた再建を達成するための道を開き、がんスクリーニングの手順と治療介入の質を高めることを約束する。
  論文  参考訳（メタデータ） (2024-04-20T18:06:26Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Physics Constrained Unsupervised Deep Learning for Rapid, High Resolution Scanning Coherent Diffraction Reconstruction [0.4310181932415864]
  Coherent diffractive Imaging (CDI) と ptychography は、X線イメージングから天文学まで、科学分野に進出している。 物理インフォームドニューラルネットワーク再構成手法であるPtychoPINNを提案する。 特に、PtychoPINNは一般化可能性、精度(典型的には10dBPSNR増加)、線形分解能(2倍から6倍増)を著しく向上させる。
  論文  参考訳（メタデータ） (2023-06-19T15:24:07Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• 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)
• Real-time sparse-sampled Ptychographic imaging through deep neural networks [3.3351024234383946]
  データの取得と解析の両方に制約を課す複雑な逆問題の解法により、画像再構成を実現する。 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画像再構成問題の解法として,PtychoNNを提案する。
  論文  参考訳（メタデータ） (2020-04-15T23:43:17Z)

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。