論文の概要: OSOG: A Differentiable, Physics-Informed Synthetic Data Engine for Micro-Optical Environments

• arxiv url: http://arxiv.org/abs/2606.21381v1
• Date: Fri, 19 Jun 2026 12:36:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 13:52:38.46498
• Title: OSOG: A Differentiable, Physics-Informed Synthetic Data Engine for Micro-Optical Environments
• Title（参考訳）: OSOG: マイクロオプティカル環境のための微分可能な物理インフォームド・シンセティック・データエンジン
• Authors: Caio Silva,
• Abstract要約: 本稿では,光学合成オブジェクトジェネレータ(OSOG)について紹介する。 OSOGは連続光パス差分(OPD)計算を高度に最適化されたPyTorch-native Structure-of-Arraysアーキテクチャにマッピングする。 我々は、OSOGが真のリアルタイム・オン・ザ・フライデータセット生成を可能にする方法を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning in computational microscopy is severely constrained by the scarcity of densely annotated datasets. While synthetic data generation has bridged this gap in macroscopic computer vision, traditional graphics engines rely on geometric ray-tracing, failing to capture the micro-optical phenomena required for microscopy. Conversely, while wave-optics formulations exist, rendering them computationally tractable at the scale required for deep learning remains a massive systems challenge. To address this, we introduce the Optical Synthetic Object Generator (OSOG), a high-performance, fully differentiable forward-modeling engine. Drawing on established physical models of diffraction and phase retardation, OSOG maps continuous Optical Path Difference (OPD) calculations into a highly optimized, PyTorch-native Structure-of-Arrays (SoA) architecture. We validate this computational framework across three axes: First, object detection models (YOLOv11-OBB) trained purely on OSOG-generated data achieve robust zero-shot transfer to real-world highly occluded Lysozyme micrographs. Second, we introduce DiffOSOG, demonstrating that the engine's end-to-end differentiability allows for the exact recovery of continuous optical parameters via curriculum-guided inverse rendering. Finally, OSOG bypasses the $\mathcal{O}(N)$ bottlenecks of sequential ray-tracing, demonstrating sub-linear scaling by synthesizing 40,000 complex wave-optic particles in under 50 milliseconds (\>20 FPS). By providing a fast, scalable, and physically grounded tensor pipeline, OSOG enables true real-time, on-the-fly dataset generation.
• Abstract（参考訳）: 計算顕微鏡における深層学習は、濃密な注釈付きデータセットの不足によって厳しく制約されている。 合成データ生成は、マクロコンピュータビジョンにおいてこのギャップを埋めてきたが、従来のグラフィックスエンジンは幾何学的レイトレーシングに依存しており、顕微鏡に必要な微視的現象を捉えていない。 逆に、波動光学の定式化は存在するが、深層学習に必要なスケールで計算的に計算可能であることは、依然として大きな課題である。 そこで本研究では,光学合成オブジェクトジェネレータ(OSOG)について紹介する。 OSOGは、回折と位相遅延の確立された物理モデルに基づいて、連続光パス差分(OPD)計算を高度に最適化されたPyTorch-native Structure-of-Arrays (SoA)アーキテクチャにマッピングする。 オブジェクト検出モデル(YOLOv11-OBB)はOSOG生成データに基づいて純粋に訓練され、実世界の高度に隠蔽されたLysozymeマイクログラフへの堅牢なゼロショット転送を実現する。 第2に、DiffOSOGを導入し、エンジンのエンドツーエンドの微分可能性により、カリキュラム誘導逆レンダリングによる連続光学パラメータの正確な回復が可能であることを示す。 最後に、OSOGは、$\mathcal{O}(N)$のシーケンシャルレイトレーシングのボトルネックを回避し、50ミリ秒以下で4万の複素波動光学粒子を合成することにより、サブ線形スケーリングを示す。 高速でスケーラブルで物理的に構築されたテンソルパイプラインを提供することで、OSOGは真のリアルタイム、オンザフライデータセット生成を可能にする。

関連論文リスト

• Photonic AI: A Hybrid Diffractive Holographic Neural System for Passive Optical Real-Time Image Classification [0.0]
  本稿では,画像分類のためのハイブリッドな回折ホログラフィーアーキテクチャを提案する。 提案モデルでは,Diffractive Optical Neural Network (DONN) とホログラフィ干渉学習 (HIBL) 演算子を結合する。 MNISTの物理インフォームドシミュレーションでは、約25,000の位相要素を持つ3層系が91.2%のテスト精度を達成している。
  論文  参考訳（メタデータ） (2026-04-14T10:34:14Z)
• DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
  本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。 メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。 EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
  論文  参考訳（メタデータ） (2026-04-13T03:19:36Z)
• SynSacc: A Blender-to-V2E Pipeline for Synthetic Neuromorphic Eye-Movement Data and Sim-to-Real Spiking Model Training [6.113940256355538]
  制御条件下でのサケードと固定をシミュレートするために,Blenderで生成された合成データセットを提案する。 2つのアーキテクチャをトレーニングし、実際のイベントデータを微調整することで、その堅牢性を評価する。 提案したモデルは最大0.83の精度を達成し、時間分解能の異なる一貫した性能を維持する。
  論文  参考訳（メタデータ） (2026-02-09T14:34:31Z)
• Enhancing Fluorescence Lifetime Parameter Estimation Accuracy with Differential Transformer Based Deep Learning Model Incorporating Pixelwise Instrument Response Function [0.3441582801949978]
  蛍光ライフタイムイメージング(FLI)は、組織微小環境に関するユニークな情報を提供する。 近年のディープラーニングの進歩により、蛍光寿命パラメーターの推定が改善されている。 本稿では,実験的な光子時間ヒストグラムとともに,計装応答関数(IRF)を付加入力として統合した新しいDLアーキテクチャであるMFliNetを提案する。
  論文  参考訳（メタデータ） (2024-11-25T20:03:41Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• CryoGEM: Physics-Informed Generative Cryo-Electron Microscopy [38.57626501108458]
  物理インフォームド生成型低温電子顕微鏡(CryoGEM)を紹介する。 CryoGEMは、物理に基づくCryo-EMシミュレーションと生成不能ノイズ変換を統合して、現実的なノイズを生成する。 実験の結果,CryoGEMはCryo-EM画像を生成することができることがわかった。
  論文  参考訳（メタデータ） (2023-12-04T07:52:56Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Multitask AET with Orthogonal Tangent Regularity for Dark Object Detection [84.52197307286681]
  暗黒環境下でのオブジェクト検出を強化するために,新しいマルチタスク自動符号化変換(MAET)モデルを提案する。 自己超越的な方法で、MAETは、現実的な照明劣化変換を符号化して復号することで、本質的な視覚構造を学習する。 我々は,合成および実世界のデータセットを用いて最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2022-05-06T16:27:14Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors [0.0]
  本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。 これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
  論文  参考訳（メタデータ） (2021-02-01T18:10:00Z)

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。