論文の概要: Automating Parameter Selection in Deep Image Prior for Fluorescence Microscopy Image Denoising via Similarity-Based Parameter Transfer

• arxiv url: http://arxiv.org/abs/2601.12055v1
• Date: Sat, 17 Jan 2026 13:47:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.441726
• Title: Automating Parameter Selection in Deep Image Prior for Fluorescence Microscopy Image Denoising via Similarity-Based Parameter Transfer
• Title（参考訳）: 類似度に基づくパラメータ移動による蛍光顕微鏡画像の深部画像選択
• Authors: Lina Meyer, Felix Wissel, Tobias Knopp, Susanne Pfefferle, Ralf Fliegert, Maximilian Sandmann, Liana Uebler, Franziska Möckl, Björn-Philipp Diercks, David Lohr, René Werner,
• Abstract要約: 教師なし深層画像事前(DIP)は、教師付き深層学習に関連する訓練データ要件と限定的な一般化の欠点に対処する。 キャリブレーションデータセットからテスト画像へのパラメータ転送は,定量的な画像類似度尺度に基づく転送よりも類似し,良好な性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 1.342048192901064
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Unsupervised deep image prior (DIP) addresses shortcomings of training data requirements and limited generalization associated with supervised deep learning. The performance of DIP depends on the network architecture and the stopping point of its iterative process. Optimizing these parameters for a new image requires time, restricting DIP application in domains where many images need to be processed. Focusing on fluorescence microscopy data, we hypothesize that similar images share comparable optimal parameter configurations for DIP-based denoising, potentially enabling optimization-free DIP for fluorescence microscopy. We generated a calibration (n=110) and validation set (n=55) of semantically different images from an open-source dataset for a network architecture search targeted towards ideal U-net architectures and stopping points. The calibration set represented our transfer basis. The validation set enabled the assessment of which image similarity criterion yields the best results. We then implemented AUTO-DIP, a pipeline for automatic parameter transfer, and compared it to the originally published DIP configuration (baseline) and a state-of-the-art image-specific variational denoising approach. We show that a parameter transfer from the calibration dataset to a test image based on only image metadata similarity (e.g., microscope type, imaged specimen) leads to similar and better performance than a transfer based on quantitative image similarity measures. AUTO-DIP outperforms the baseline DIP (DIP with original DIP parameters) as well as the variational denoising approaches for several open-source test datasets of varying complexity, particularly for very noisy inputs. Applications to locally acquired fluorescence microscopy images further proved superiority of AUTO-DIP.
• Abstract（参考訳）: 教師なし深層画像事前(DIP)は、教師付き深層学習に関連する訓練データ要件と限定的な一般化の欠点に対処する。 DIPの性能は、ネットワークアーキテクチャと反復プロセスの停止点に依存する。 新しいイメージに対するこれらのパラメータの最適化には時間が必要で、多くのイメージを処理する必要があるドメインでのDIPアプリケーションを制限する。 蛍光顕微鏡データに着目して、類似画像はDIPに基づく復調のための最適なパラメータ構成を共有しており、蛍光顕微鏡のための最適化不要なDIPを可能にする可能性があると仮定する。 我々は,理想的なU-netアーキテクチャと停止点を対象としたネットワークアーキテクチャ探索のために,オープンソースデータセットから意味論的に異なる画像のキャリブレーション(n=110)と検証セット(n=55)を生成した。 キャリブレーションセットは当社の転送基準を表していました。 検証セットは、どの画像類似度基準が最良の結果をもたらすかの評価を可能にした。 次に,自動パラメータ転送のためのパイプラインであるAUTO-DIPを実装した。 キャリブレーションデータセットからテスト画像へのパラメータ転送は,画像メタデータの類似性(例えば顕微鏡型,画像検体)のみに基づいて行うと,定量的な画像類似度測定に基づく転送よりも類似し,良好な性能が得られることを示す。 AUTO-DIPは、ベースラインDIP(元のDIPパラメータを持つDIP)よりも優れており、特にノイズの多い入力に対して、複雑さの異なるいくつかのオープンソースのテストデータセットに対して、変分するアプローチである。 局所的に取得した蛍光顕微鏡画像への応用は、AUTO-DIPのさらなる優位性を証明した。

関連論文リスト

• AdaptiveISP: Learning an Adaptive Image Signal Processor for Object Detection [15.63212587981912]
  Image Signal Processors (ISP)は、生のセンサー信号をデジタル画像に変換する。 ISPは画像品質を最大化するために設計されており、これはハイレベルコンピュータビジョンタスクのパフォーマンスに最適である。 本稿では,タスク駆動型かつシーン適応型ISPであるAdaptiveISPを提案する。
  論文  参考訳（メタデータ） (2024-10-30T11:49:06Z)
• 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)
• Parameter-Inverted Image Pyramid Networks [49.35689698870247]
  Inverted Image Pyramid Networks (PIIP) と呼ばれる新しいネットワークアーキテクチャを提案する。 私たちの中核となる考え方は、パラメータサイズの異なるモデルを使用して、画像ピラミッドの解像度の異なるレベルを処理することです。 PIIPは、オブジェクト検出、セグメンテーション、画像分類などのタスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:10Z)
• Lightweight Change Detection in Heterogeneous Remote Sensing Images with Online All-Integer Pruning Training [17.387154380465294]
  現在の均質な変化検出手法は、しばしば高い計算とメモリコストに悩まされる。 本稿では,CDネットワークを効率よく微調整するオンラインオール整数プルーニング(OAIP)トレーニング戦略を用いた,新しい軽量CD手法を提案する。 実験結果から,OAIP法は現状のCD法と比較して,同様の検出性能(ただし,複雑性とメモリ使用量を大幅に削減した)が得られることがわかった。
  論文  参考訳（メタデータ） (2024-05-03T08:23:39Z)
• MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
  本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。 実験により,提案手法が現在の先行手法を超越していることが実証された。
  論文  参考訳（メタデータ） (2024-01-19T04:40:20Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• TFPnP: Tuning-free Plug-and-Play Proximal Algorithm with Applications to Inverse Imaging Problems [22.239477171296056]
  Plug-and-Play (MM) は非最適化フレームワークであり、例えば、数値アルゴリズムと高度なデノゲーション前処理を組み合わせたものである。 我々は、学習戦略とともに最先端の成果である、より難解な問題に対するいくつかの実践的考察について論じる。
  論文  参考訳（メタデータ） (2020-11-18T14:19:30Z)

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。