論文の概要: Optical diffraction neural networks assisted computational ghost imaging through dynamic scattering media

• arxiv url: http://arxiv.org/abs/2511.22913v1
• Date: Fri, 28 Nov 2025 06:34:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.7902
• Title: Optical diffraction neural networks assisted computational ghost imaging through dynamic scattering media
• Title（参考訳）: 光回折ニューラルネットワークを用いた動的散乱媒質を用いたゴーストイメージング
• Authors: Yue-Gang Li, Ze Zheng, Jun-jie Wang, Ming He, Jianping Fan, Tailong Xiao, Guihua Zeng,
• Abstract要約: ゴーストイメージングは、空間分解能のない1ピクセル検出器を利用して、オブジェクトエコー強度信号を取得する。 この構造は本質的に物体と検出器の間の散乱干渉を緩和するが、光源と物体の間の散乱に敏感である。 動的散乱媒体を用いたゴーストイメージングのための光回折ニューラルネットワーク(ODNN)を提案する。
• 参考スコア（独自算出の注目度）: 9.888680721720114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ghost imaging leverages a single-pixel detector with no spatial resolution to acquire object echo intensity signals, which are correlated with illumination patterns to reconstruct an image. This architecture inherently mitigates scattering interference between the object and the detector but sensitive to scattering between the light source and the object. To address this challenge, we propose an optical diffraction neural networks (ODNNs) assisted ghost imaging method for imaging through dynamic scattering media. In our scheme, a set of fixed ODNNs, trained on simulated datasets, is incorporated into the experimental optical path to actively correct random distortions induced by dynamic scattering media. Experimental validation using rotating single-layer and double-layer ground glass confirms the feasibility and effectiveness of our approach. Furthermore, our scheme can also be combined with physics-prior-based reconstruction algorithms, enabling high-quality imaging under undersampled conditions. This work demonstrates a novel strategy for imaging through dynamic scattering media, which can be extended to other imaging systems.
• Abstract（参考訳）: ゴーストイメージングは、空間分解能のない1ピクセル検出器を利用して、物体のエコー強度信号を取得し、照明パターンと相関して画像を再構成する。 この構造は本質的に物体と検出器の間の散乱干渉を緩和するが、光源と物体の間の散乱に敏感である。 この課題に対処するために,動的散乱媒体を用いたゴーストイメージングのための光回折ニューラルネットワーク(ODNN)を提案する。 本手法では, 動的散乱媒質によって誘導されるランダム歪みを積極的に補正するために, シミュレーションデータセットに基づいて訓練された固定ODNNの集合を実験的光学経路に組み込む。 回転単層ガラスと二層ガラスを用いた実験により, 本手法の有効性と有効性を確認した。 さらに,本手法を物理原理に基づく再構成アルゴリズムと組み合わせることで,アンサンプ条件下での高品質な撮像を可能にする。 本研究は、他のイメージングシステムに拡張可能なダイナミック散乱媒体によるイメージングのための新しい戦略を示す。

関連論文リスト

• Neuromorphic Optical Tracking and Imaging of Randomly Moving Targets through Strongly Scattering Media [8.480104395572418]
  我々は、通常見えない物体の追跡と画像化のための、エンドツーエンドのニューロモルフィック光学工学と計算手法を開発した。 密度散乱媒質から生じる光をイベントカメラで検出し、画素ワイドの同期スパイク列車に変換する。 本研究では,高密度な乱流媒質中におけるランダムに移動する物体の追跡とイメージング,および空間的静止だが光学的動的物体の像再構成を実演する。
  論文  参考訳（メタデータ） (2025-01-07T15:38:13Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• Event-Driven Imaging in Turbid Media: A Confluence of Optoelectronics and Neuromorphic Computation [9.53078750806038]
  密度の高い濁った媒体の光散乱により視界が著しく不明瞭なターゲットの画像を明らかにするために,新しい光学計算法が導入された。 このスキームは人間の視覚にインスパイアされ、タービッド媒質から収集された拡散光子は、網膜のようにダイナミックな視覚センサーで列車に変換される。 画像再構成は、オリジナル画像が人間の目やデジタルビデオカメラに認識できない濁った条件下で達成される。
  論文  参考訳（メタデータ） (2023-09-13T00:38:59Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Optical Neural Ordinary Differential Equations [44.97261923694945]
  隠れ層の連続力学を光学的ODE解法でパラメータ化する光学的ニューラル常微分方程式(ON-ODE)アーキテクチャを提案する。 On-ODEは、PNNとフォトニックインテグレータと光フィードバックループとから構成されており、残留ニューラルネットワーク(ResNet)と、チップ領域占有率を効果的に低減したリカレントニューラルネットワークを表現するように構成できる。
  論文  参考訳（メタデータ） (2022-09-26T04:04:02Z)
• RRNet: Relational Reasoning Network with Parallel Multi-scale Attention for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
  光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。 光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。 提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-27T07:18:32Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)
• 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)
• Adaptive optics with reflected light and deep neural networks [0.0]
  本研究では,反射光と深部ニューラルネットワークを併用した適応光学系の開発を行った。 励起及び検出経路収差と対応する反射焦点画像からなるサンプル収差の大規模なデータセットを生成する。 深層ニューラルネットワークは、散乱サンプルから記録された反射光画像に基づいて、励起と検出の収差を独立に歪め、補正することができる。
  論文  参考訳（メタデータ） (2020-04-09T15:39:51Z)

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。