論文の概要: λSplit: Self-Supervised Content-Aware Spectral Unmixing for Fluorescence Microscopy

• arxiv url: http://arxiv.org/abs/2603.23647v1
• Date: Tue, 24 Mar 2026 18:42:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:10.992028
• Title: λSplit: Self-Supervised Content-Aware Spectral Unmixing for Fluorescence Microscopy
• Title（参考訳）: λSplit:蛍光顕微鏡用自己監督型コンテンツ型スペクトルアンミキシング
• Authors: Federico Carrara, Talley Lambert, Mehdi Seifi, Florian Jug,
• Abstract要約: 蛍光顕微鏡では、スペクトルアンミキシングは、混合蛍光の放射を捉えたスペクトル画像から、個々の蛍光の濃度を回収することを目的としている。 Splitは、階層的変分オートエンコーダを用いて濃度マップ上の条件分布を学習する物理インフォームド深部生成モデルである。 Splitは、標準共焦点顕微鏡によって生成されたスペクトルデータと互換性があり、特別なハードウェア修正なしにすぐに採用することができる。
• 参考スコア（独自算出の注目度）: 6.057692339318057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In fluorescence microscopy, spectral unmixing aims to recover individual fluorophore concentrations from spectral images that capture mixed fluorophore emissions. Since classical methods operate pixel-wise and rely on least-squares fitting, their performance degrades with increasingly overlapping emission spectra and higher levels of noise, suggesting that a data-driven approach that can learn and utilize a structural prior might lead to improved results. Learning-based approaches for spectral imaging do exist, but they are either not optimized for microscopy data or are developed for very specific cases that are not applicable to fluorescence microscopy settings. To address this, we propose λSplit, a physics-informed deep generative model that learns a conditional distribution over concentration maps using a hierarchical Variational Autoencoder. A fully differentiable Spectral Mixer enforces consistency with the image formation process, while the learned structural priors enable state-of-the-art unmixing and implicit noise removal. We demonstrate λSplit on 3 real-world datasets that we synthetically cast into a total of 66 challenging spectral unmixing benchmarks. We compare our results against a total of 10 baseline methods, including classical methods and a range of learning-based methods. Our results consistently show competitive performance and improved robustness in high noise regimes, when spectra overlap considerably, or when the spectral dimensionality is lowered, making λSplit a new state-of-the-art for spectral unmixing of fluorescent microscopy data. Importantly, λSplit is compatible with spectral data produced by standard confocal microscopes, enabling immediate adoption without specialized hardware modifications.
• Abstract（参考訳）: 蛍光顕微鏡では、スペクトルアンミキシングは、混合蛍光の放射を捉えたスペクトル画像から、個々の蛍光の濃度を回収することを目的としている。 古典的な手法はピクセル単位で動作し、最小二乗のフィッティングに依存するため、その性能はますます重複する発光スペクトルと高レベルのノイズで劣化し、構造的事前学習と利用が可能なデータ駆動アプローチがより良い結果をもたらす可能性があることを示唆している。 スペクトルイメージングのための学習ベースのアプローチは存在するが、顕微鏡データに最適化されていないか、蛍光顕微鏡設定には適用できない非常に特殊なケースで開発されている。 これを解決するために,階層的変分オートエンコーダを用いて濃度マップ上の条件分布を学習する物理インフォームド深部生成モデルλSplitを提案する。 完全に微分可能なスペクトルミキサーは、画像形成プロセスとの整合性を強制し、学習された構造的事前は、最先端のアンミックスと暗黙のノイズ除去を可能にする。 3つの実世界のデータセット上でλSplitを実証し、66個のスペクトルアンミックスベンチマークを合成した。 本研究は,古典的手法や学習に基づく手法を含む,合計10のベースライン手法と比較した。 その結果, スペクトルの重なりが大きい場合, スペクトル次元が小さくなる場合, λSplitは蛍光顕微鏡データのスペクトルアンミックスのための新しい最先端技術となる。 重要なことに、λSplitは標準共焦点顕微鏡によって生成されたスペクトルデータと互換性があり、特別なハードウェア修正なしにすぐに採用することができる。

関連論文リスト

• Unmixing microinfrared spectroscopic images of cross-sections of historical oil paintings [38.319445753146404]
  ATR-$FTIR HSIのブラインドアンミックスのための教師なしCNNオートエンコーダを提案する。 本稿では,ヴァン・エイク兄弟によるヘント・アルタルピースのATR-$FTIR断面積を実証する。
  論文  参考訳（メタデータ） (2026-03-03T09:47:48Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Unmixing Optical Signals from Undersampled Volumetric Measurements by Filtering the Pixel Latent Variables [5.74378659752939]
  遅延アンミキシング(Latent Unmixing)は、多次元畳み込みニューラルネットワークの潜時空間に帯域通過フィルタを適用して重なり合う信号成分をアンタングルする新しいアプローチである。 本稿では,本手法の物理実験における実用性について,本手法の汎用性を示す2つの実験事例を通して紹介する。
  論文  参考訳（メタデータ） (2023-12-08T20:34:37Z)
• Fluctuation-based deconvolution in fluorescence microscopy using plug-and-play denoisers [2.236663830879273]
  蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。 この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
  論文  参考訳（メタデータ） (2023-03-20T15:43:52Z)
• Spectral Unmixing of Hyperspectral Images Based on Block Sparse Structure [1.491109220586182]
  本稿では,ブロックスパース構造とスパースベイズ学習戦略に基づくハイパースペクトル画像(HSI)のスペクトルアンミックス手法を提案する。
  論文  参考訳（メタデータ） (2022-04-10T09:37:41Z)
• Spectral Splitting and Aggregation Network for Hyperspectral Face Super-Resolution [82.59267937569213]
  高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。 本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。 限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
  論文  参考訳（メタデータ） (2021-08-31T02:13:00Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Neural network-based on-chip spectroscopy using a scalable plasmonic encoder [0.4397520291340694]
  従来の分光計は、サイズ、コスト、信号対雑音比(SNR)、スペクトル分解能によって設定されるトレードオフによって制限される。 本稿では,小型で低コストなオンチップセンシング方式を用いて,深層学習に基づくスペクトル再構成フレームワークを実証する。
  論文  参考訳（メタデータ） (2020-12-01T22:50:06Z)
• Cross-Spectral Periocular Recognition with Conditional Adversarial Networks [59.17685450892182]
  本研究では,近赤外・近赤外スペクトル間の近赤外画像の変換を訓練した条件付き生成逆相関ネットワークを提案する。 EER=1%, GAR>99% @ FAR=1%, ポリUデータベースの最先端技術に匹敵するスペクトル近視性能を得た。
  論文  参考訳（メタデータ） (2020-08-26T15:02:04Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。