論文の概要: Frequency-Aware Dual-Stream Learning for Balanced Realism and Fidelity in Electron Microscopy Imaging
- arxiv url: http://arxiv.org/abs/2607.22765v1
- Date: Fri, 24 Jul 2026 03:09:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.870379
- Title: Frequency-Aware Dual-Stream Learning for Balanced Realism and Fidelity in Electron Microscopy Imaging
- Title（参考訳）: 電子顕微鏡像におけるバランスの取れたリアリズムと忠実性のための周波数対応デュアルストリーム学習
- Abstract要約: 既存の学習ベースの手法は、知覚現実主義と量的忠実さのバランスに苦しむ単一ストリームアーキテクチャに依存している。
本研究は、この競合を解決するために周波数適応型デュアルストリームアーキテクチャを導入する。
EMDiffuseデータセットを用いた実験により,LPIPSと解像率に優れた手法が得られた。
- 参考スコア（独自算出の注目度）: 13.214177321682373
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electron microscopy enables nanoscale cellular visualization but faces a trade-off between imaging resolution and acquisition speed. Existing learning-based methods rely on single-stream architectures that struggle to balance perceptual realism and quantitative fidelity, either over-smoothing details or generating unrealistic hallucinations. This work introduces a frequency-adaptive dual-stream architecture to resolve this conflict. Using discrete wavelet transform, we decompose images into low-frequency structures and high-frequency details, then employ a conditional diffusion model for realistic global synthesis and a transformer network for precise detail recovery. Experiments on the EMDiffuse dataset show the method achieves superior LPIPS and resolution ratio, substantially outperforming existing approaches. The method also shows strong generalization across diverse biological samples, supporting fast and reliable electron microscopy imaging for structural biology and nanotechnology applications. The source code and associated dataset are publicly available to facilitate further research.
- Abstract（参考訳）: 電子顕微鏡はナノスケールの細胞の可視化を可能にするが、画像分解能と取得速度のトレードオフに直面している。
既存の学習ベースの手法は、知覚的リアリズムと量的忠実性のバランスに苦しむ単一ストリームアーキテクチャに依存している。
本研究は、この競合を解決するために周波数適応型デュアルストリームアーキテクチャを導入する。
離散ウェーブレット変換を用いて、画像を低周波構造と高周波詳細に分解し、実世界合成のための条件拡散モデルと正確な詳細回復のための変圧器ネットワークを用いる。
EMDiffuseデータセットの実験では、LPIPSと解像度比が優れており、既存の手法よりもかなり優れていた。
この手法はまた、様々な生物学的サンプルをまたいだ強力な一般化を示し、構造生物学およびナノテクノロジー応用のための高速で信頼性の高い電子顕微鏡イメージングを支援している。
ソースコードと関連するデータセットは、さらなる研究を促進するために公開されている。
関連論文リスト
- Physics-Informed Deep Learning Model for Cross-Modality Super-Resolution in Fluorescence Microscopy [0.0]
クロスモダリティ画像変換は、低解像度画像からの超高分解能蛍光顕微鏡への経路を提供する。
共焦点-STED画像変換のための物理インフォームド生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2026-07-23T11:16:26Z) - FMRFusion: Frequency-Aware Multi-View Representation Learning for Heterogeneous Image Fusion [22.180711075004538]
FMRFusionは異種画像融合のための周波数認識型表現学習ネットワークである。
識別構造を捉えるために, マルチスケール構造トラヒック認識モジュールが導入された。
クロスビュー補間相互作用を具体化し、反射光情報と放射強度応答の相補的特性を明示的にモデル化し、融合させる。
論文 参考訳（メタデータ） (2026-06-06T05:23:06Z) - Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - Diffusion-Based Synthetic Brightfield Microscopy Images for Enhanced Single Cell Detection [0.0]
本研究では,無条件モデルを用いた合成光電場顕微鏡画像の生成について検討する。
U-Netベースの拡散モデルをトレーニングし、合成画像と実画像の比率の異なるデータセットを作成するために使用した。
YOLOv8, YOLOv9, RT-DETRを用いた実験では, 合成データによるトレーニングにより検出精度が向上することが示された。
論文 参考訳（メタデータ） (2025-11-25T08:57:23Z) - Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers [55.15722080205737]
Edit2Perceiveは、深度、正規度、マッティングの編集モデルを適応させる統合拡散フレームワークである。
私たちの単一ステップの決定論的推論は、比較的小さなデータセットでトレーニングしながら、より高速なランタイムをもたらす。
論文 参考訳（メタデータ） (2025-11-24T01:13:51Z) - A novel attention mechanism for noise-adaptive and robust segmentation of microtubules in microscopy images [0.27185251060695437]
本研究では,Squeeze-and-Excitation (SE)モジュールを拡張し,様々なノイズレベルに動的に適応する新しいノイズ適応型アテンション機構を提案する。
このアダプティブSE(ASE)はU-Netデコーダに統合され、残りのエンコーダブロックが組み込まれ、軽量だが強力なモデルであるab_Res_U-Netを形成する。
合成画像と実雑音画像の両方の微小管を効果的に分画し、最先端のカービリナー構造分画法より優れていた。
論文 参考訳（メタデータ） (2025-07-10T14:26:50Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - 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) - Deep learning at the edge enables real-time streaming ptychographic
imaging [7.4083593332068975]
プチコグラフィーのようなコヒーレントな顕微鏡技術は、ナノスケールの材料特性に革命をもたらす可能性がある。
従来のアプローチでは、高速コヒーレントイメージング実験からサンプル画像をリアルタイムで回収するのに十分ではない。
ここでは、エッジでの人工知能と高性能コンピューティングを活用して、検出器から直接最大2kHzでストリーミングされるX線写真データのリアルタイムインバージョンを可能にするワークフローを実演する。
論文 参考訳（メタデータ） (2022-09-20T02:02:37Z) - CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。
提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。
実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
論文 参考訳（メタデータ） (2021-12-31T04:37:11Z) - 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) - Data-Driven Discovery of Molecular Photoswitches with Multioutput
Gaussian Processes [51.17758371472664]
フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。
本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。
提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
論文 参考訳（メタデータ） (2020-06-28T20:59:03Z)
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。