論文の概要: Monte Carlo Maximum Likelihood Reconstruction for Digital Holography with Speckle

• arxiv url: http://arxiv.org/abs/2602.10344v1
• Date: Tue, 10 Feb 2026 22:31:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.318119
• Title: Monte Carlo Maximum Likelihood Reconstruction for Digital Holography with Speckle
• Title（参考訳）: スペックル付きデジタルホログラフィーにおけるモンテカルロ最大形状再構成法
• Authors: Xi Chen, Arian Maleki, Shirin Jalali,
• Abstract要約: コヒーレントイメージングでは、スペックルは統計的に乗法ノイズとしてモデル化され、画像再構成の根本的な課題となっている。 本稿では,勾配計算における行列逆変換を伴わずに,スケーラブルなMLE最適化を実現するランダム化線形代数手法を提案する。 私たちのコードは、https://github.com/Computational-Imaging-RU/MC_Maximum_Likelihood_Digital_Holography_Speckleで利用可能です。
• 参考スコア（独自算出の注目度）: 18.93229414605695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In coherent imaging, speckle is statistically modeled as multiplicative noise, posing a fundamental challenge for image reconstruction. While maximum likelihood estimation (MLE) provides a principled framework for speckle mitigation, its application to coherent imaging system such as digital holography with finite apertures is hindered by the prohibitive cost of high-dimensional matrix inversion, especially at high resolutions. This computational burden has prevented the use of MLE-based reconstruction with physically accurate aperture modeling. In this work, we propose a randomized linear algebra approach that enables scalable MLE optimization without explicit matrix inversions in gradient computation. By exploiting the structural properties of sensing matrix and using conjugate gradient for likelihood gradient evaluation, the proposed algorithm supports accurate aperture modeling without the simplifying assumptions commonly imposed for tractability. We term the resulting method projected gradient descent with Monte Carlo estimation (PGD-MC). The proposed PGD-MC framework (i) demonstrates robustness to diverse and physically accurate aperture models, (ii) achieves substantial improvements in reconstruction quality and computational efficiency, and (iii) scales effectively to high-resolution digital holography. Extensive experiments incorporating three representative denoisers as regularization show that PGD-MC provides a flexible and effective MLE-based reconstruction framework for digital holography with finite apertures, consistently outperforming prior Plug-and-Play model-based iterative reconstruction methods in both accuracy and speed. Our code is available at: https://github.com/Computational-Imaging-RU/MC_Maximum_Likelihood_Digital_Holography_Speckle.
• Abstract（参考訳）: コヒーレントイメージングでは、スペックルは統計的に乗法ノイズとしてモデル化され、画像再構成の根本的な課題となっている。 最大極大推定(MLE)はスペックル緩和の原理的な枠組みを提供するが、有限開口のデジタルホログラフィーなどのコヒーレントイメージングシステムへの応用は、高次元行列逆転の禁止コスト、特に高分解能で妨げられる。 この計算負荷は、物理的に正確な開口モデルを用いたMLEベースの再構成の使用を妨げている。 本研究では,勾配計算における行列逆変換を伴わずに,スケーラブルなMLE最適化を実現するランダム化線形代数手法を提案する。 検出行列の構造特性と共役勾配を用いて相対勾配評価を行い, 提案アルゴリズムは, トラクタビリティの仮定を単純化することなく, 精度の高い開口モデリングを支援する。 我々は,モンテカルロ推定(PGD-MC)を用いて勾配降下を予測した手法を述べる。 PGD-MCフレームワークの提案 (i)多様で物理的に正確な開口モデルに対して堅牢性を示す。 二 復元の質及び計算効率を大幅に向上させ、 (iii)高解像度デジタルホログラフィーに効果的にスケールする。 3つの代表的なデノワを正規化として組み込んだ大規模な実験により、PGD-MCは有限開口のデジタルホログラフィーのためのフレキシブルで効果的なMLEベースの再構成フレームワークを提供し、従来よりも精度と速度の両面で、プラズ・アンド・プレイのモデルに基づく反復的再構成手法よりも一貫して優れていた。 私たちのコードは、https://github.com/Computational-Imaging-RU/MC_Maximum_Likelihood_Digital_Holography_Speckleで利用可能です。

関連論文リスト

• LamiGauss: Pitching Radiative Gaussian for Sparse-View X-ray Laminography Reconstruction [27.301249008852768]
  X線CT(Computerd Laminography, CL)は, マイクロチップや複合電池材料の板状構造物の非破壊検査に必須である。 本稿では,ガウス散乱放射化と専用検出器-世界変換モデルを組み合わせた再構成アルゴリズムLamiGaussを提案する。 提案手法はスパースプロジェクションから直接効率よく最適化し,限られたデータによる高精度かつ効率的な再構成を可能にする。
  論文  参考訳（メタデータ） (2025-09-17T09:53:47Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
  圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。 既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。 本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T12:36:20Z)
• Advancing Limited-Angle CT Reconstruction Through Diffusion-Based Sinogram Completion [16.097461905457564]
  LACT(Limited Angle Computed Tomography)は、角情報がないためにしばしば大きな課題に直面している。 そこで我々は, シングラムのインペイントに焦点をあてる新しい手法を提案する。 平均回帰微分方程式を用いて拡散過程を特徴づける拡散モデルの変種であるMR-SDEを利用する。
  論文  参考訳（メタデータ） (2025-05-26T00:59:58Z)
• Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
  スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。 我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
  論文  参考訳（メタデータ） (2023-11-24T04:55:20Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• 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)
• A Unifying Multi-sampling-ratio CS-MRI Framework With Two-grid-cycle Correction and Geometric Prior Distillation [7.643154460109723]
  本稿では,モデルベースと深層学習に基づく手法の利点を融合して,深層展開型マルチサンプリング比CS-MRIフレームワークを提案する。 マルチグリッドアルゴリズムにインスパイアされ、まずCS-MRIに基づく最適化アルゴリズムを補正蒸留方式に組み込む。 各段の圧縮サンプリング比から適応的なステップ長と雑音レベルを学習するために条件モジュールを用いる。
  論文  参考訳（メタデータ） (2022-05-14T13:36:27Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)

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。