論文の概要: Circular Phase Representation and Geometry-Aware Optimization for Ptychographic Image Reconstruction
- arxiv url: http://arxiv.org/abs/2604.26664v1
- Date: Wed, 29 Apr 2026 13:27:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 15:59:36.419751
- Title: Circular Phase Representation and Geometry-Aware Optimization for Ptychographic Image Reconstruction
- Title（参考訳）: 画像再構成のための円相表現と幾何学的最適化
- Authors: Carson Yu Liu, Jun Cheng, Chien-Chun Chen, Steve F. Shu,
- Abstract要約: 正弦波成分と正弦波成分を用いて単位円上の位相をモデル化する。
位相誤差は、分岐切断の不連続を回避する、微分可能な測地損失で最適化される。
合成および実験データセットの実験では、既存の深層学習法よりも振幅と位相再構成が一貫した改善が見られた。
- 参考スコア（独自算出の注目度）: 6.504427780020361
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional iterative reconstruction methods are accurate but computationally expensive, limiting their use in high-throughput and real-time ptychography. Recent deep learning approaches improve speed, but often predict phase as a Euclidean scalar despite its $2π$ periodicity, which can introduce wrapping artifacts, discontinuities at $\pmπ$, and a mismatch between the loss and the underlying signal geometry. We present a deep learning framework for ptychographic reconstruction that models phase on the unit circle using cosine and sine components. Phase error is optimized with a differentiable geodesic loss, which avoids branch-cut discontinuities and provides bounded gradients. The network further incorporates saturation-aware dual-gain input scaling, parallel encoder branches, and three decoders for amplitude, cosine, and sine prediction, together with a composite loss that promotes circular consistency and structural fidelity. Experiments on synthetic and experimental datasets show consistent improvements in both amplitude and phase reconstruction over existing deep learning methods. Frequency-domain analysis further shows better preservation of mid- and high-frequency phase content. The proposed method also provides substantial speedup over iterative solvers while maintaining physically consistent reconstructions.
- Abstract（参考訳）: 従来の反復的再構成法は正確だが計算コストがかかり、高速・リアルタイムのポティコグラフィーでの使用が制限される。
最近の深層学習アプローチは速度を改善するが、2π$周期性にもかかわらずユークリッドスカラーとして位相を予測し、ラッピングアーティファクト、$\pmπ$の不連続、損失と基礎となる信号幾何学のミスマッチを導入することができる。
正弦波成分と正弦波成分を用いて単位円上の位相をモデル化する。
位相誤差は、分岐カットの不連続を回避し、有界勾配を提供する、微分可能な測地損失で最適化される。
さらに、飽和対応のデュアルゲイン入力スケーリング、並列エンコーダブランチ、振幅、コサイン、正弦予測のための3つのデコーダと、円形の一貫性と構造的忠実性を促進する複合損失が組み込まれている。
合成および実験データセットの実験では、既存の深層学習法よりも振幅と位相再構成が一貫した改善が見られた。
周波数領域解析により、中・高周波位相の保存性はさらに向上した。
提案手法は,物理的に一貫した再構成を維持しつつ,反復解法よりも大幅に高速化する。
関連論文リスト
- ACCURATE: Arbitrary-shaped Continuum Reconstruction Under Robust Adaptive Two-view Estimation [3.344730946122235]
ACCURATEは画像分割ニューラルネットワークと幾何学制約トポロジと動的プログラミングアルゴリズムを統合した3D再構成フレームワークである。
提案手法は, 実ファントムデータセットと模擬ファントムデータセットの両方において, 1.0mm未満の平均絶対誤差で高い再構成精度を実現する。
論文 参考訳（メタデータ） (2026-03-08T08:44:41Z) - Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。
学習力学をさらに強化するために,平均速度損失を導入する。
シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2025-10-02T11:32:00Z) - Progressive Flow-inspired Unfolding for Spectral Compressive Imaging [11.638690628451647]
符号化開口スナップショット分光画像(CASSI)は、単一の2次元圧縮計測から3次元ハイパースペクトル画像(HSI)を取得する。
近年の深層展開ネットワーク (DUN) はCASSI再建の最先端を達成している。
拡散軌跡と流れの整合性に着想を得て,新しい軌道制御可能な展開フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-15T16:10:50Z) - A Two-Phase Perspective on Deep Learning Dynamics [0.0]
深層ニューラルネットワークの学習は、高速な曲線フィッティングフェーズと、低速な圧縮または粗粒化フェーズの2段階に進むことを提案する。
私たちは、関連する時間スケールが2つのかなり異なる設定で一致していることを実証的に示します。
第2フェーズは、標準的なトレーニングアルゴリズムによって積極的に最適化されておらず、不要に長期化される可能性がある、と我々は主張する。
論文 参考訳（メタデータ） (2025-04-17T06:57:37Z) - WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - Intensity Profile Projection: A Framework for Continuous-Time
Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。
このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。
さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文 参考訳（メタデータ） (2023-06-09T15:38:25Z) - Self-Supervised Generative-Contrastive Learning of Multi-Modal Euclidean Input for 3D Shape Latent Representations: A Dynamic Switching Approach [53.376029341079054]
本稿では,3次元形状の潜在表現を学習するための,生成型とコントラスト型を組み合わせたニューラルアーキテクチャを提案する。
このアーキテクチャでは、2つのエンコーダブランチをボクセルグリッドと、同じ形状のマルチビューイメージに使用している。
論文 参考訳（メタデータ） (2023-01-11T18:14:24Z) - Consistency Guided Scene Flow Estimation [159.24395181068218]
CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。
提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。
最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
論文 参考訳（メタデータ） (2020-06-19T17:28:07Z) - u-net CNN based fourier ptychography [5.46367622374939]
本稿では,畳み込みニューラルネットワークに基づく新しい検索アルゴリズムを提案する。
実験により, システム収差下において, 再現性が向上し, より堅牢であることが確認された。
論文 参考訳（メタデータ） (2020-03-16T22:48:44Z)
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。