論文の概要: Zero-Shot Cross-Material Ptychographic Phase Reconstruction Using Deep Learning

• arxiv url: http://arxiv.org/abs/2609.13969v1
• Date: Sat, 12 Sep 2026 14:36:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.627219
• Title: Zero-Shot Cross-Material Ptychographic Phase Reconstruction Using Deep Learning
• Title（参考訳）: 深層学習を用いたゼロショット横磁図位相再構成
• Abstract要約: 本研究では,実測値から全フィールド位相マップを再構成し,推論中に反復的洗練を伴わない直接局所言語学習フレームワークを提案する。 提案するネットワークは,Sine-Cosine表現を用いて,個々の回折パターンから局所的なラップフェーズパッチを予測する。
• 参考スコア（独自算出の注目度）: 8.392466989483722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ptychographic phase reconstruction is commonly formulated as an iterative inverse problem, requiring repeated object-probe updates and resulting in substantial computational cost for large-scale 4D-STEM data. We present a direct local-to-global learning framework that reconstructs full-field phase maps from diffraction measurements without iterative refinement during inference. The proposed network predicts local wrapped-phase patches from individual diffraction patterns using a sine-cosine representation, and the predictions are assembled into a full-field reconstruction using calibrated scan positions and Gaussian-weighted stitching. To evaluate generalization beyond the training domain, the model is trained on one material and directly applied to another in a zero-shot setting without target-domain fine-tuning. Experiments on AuPd and MoS$_2$ demonstrate consistent cross-material transfer in both directions, with the proposed method achieving the best full-field MSE, PSNR, and MS-SSIM among the evaluated learning-based methods. Compared with the iterative ePIE approach, the proposed direct local-to-global pipeline reduces end-to-end reconstruction time by approximately 10x, demonstrating its potential for efficient and transferable ptychographic reconstruction.
• Abstract（参考訳）: Ptychography の位相再構成は、反復的逆問題として一般的に定式化され、大規模な 4D-STEM データに対して、反復的なオブジェクトプローブ更新が必要となり、かなりの計算コストがかかる。 本研究では,実測値から全フィールド位相マップを再構成し,推論中に反復的洗練を伴わない直接局所言語学習フレームワークを提案する。 提案ネットワークは、正弦波の表現を用いて個々の回折パターンから局所的なラップ位相パッチを予測し、キャリブレーションされたスキャン位置とガウス重み付き縫合を用いて全フィールド再構成する。 トレーニング領域を超えて一般化を評価するために、モデルは1つの材料上で訓練され、ターゲットドメインを微調整することなくゼロショット設定で直接他の材料に適用される。 AuPd と MoS$2$ の実験は両方向に一貫した相互物質移動を示し,提案手法は評価された学習手法のうち,最高のフルフィールド MSE,PSNR,MS-SSIM を実現する。 反復的ePIE法と比較すると,提案する直接局所-グローバルパイプラインはエンドツーエンドの再構築時間を約10倍に短縮し,効率よく移動可能な画像再構成の可能性を示した。

関連論文リスト

• CG-GLORE: A Conjugate Gradient-Based Global-Local Regularization Network for Sparse-View CT Reconstruction [3.7567584936415166]
  スパースビューCT (Sparse-view Computed Tomography) はプロジェクションビューを少なくすることで放射線線量を減らすが、結果として生じる逆問題は非常に悪化する。 既存のディープリコンストラクション手法は有望な性能を達成したが、多くは1次更新や大規模な正規化ネットワークに依存している。 スパース・ビューCT再構成のための2次最適化にインスパイアされた,コンパクトなディープ・アンローリング・フレームワークである textbfCG-GLORE を提案する。
  論文  参考訳（メタデータ） (2026-08-15T14:08:44Z)
• Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
  潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。 その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
  論文  参考訳（メタデータ） (2026-08-05T13:22:43Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Machine Learning-Augmented Acceleration of Iterative Ptychographic Reconstruction [56.83110460392765]
  反復画像再構成アルゴリズムはコヒーレント・ディファレント・ディファレント・イメージングに広く用いられている。 本稿では, 反復的画像再構成を高速化する機械学習によるアプローチを提案する。
  論文  参考訳（メタデータ） (2026-05-01T21:46:58Z)
• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• Continuous Filtered Backprojection by Learnable Interpolation Network [48.52134830162271]
  本研究では,Leanable-Interpolation-based FBP (LInFBP) と呼ばれる新しいディープラーニングモデルを提案する。 提案した LInFBP では,選択した基底関数の線形結合として,離散シングラムデータの潜伏連続関数の局所部分をすべて定式化する。 次に、学習した潜伏連続関数をバックプロジェクションステップに利用し、FBPの深層学習を初めて活用する。
  論文  参考訳（メタデータ） (2025-05-03T09:50:27Z)
• PreAdaptFWI: Pretrained-Based Adaptive Residual Learning for Full-Waveform Inversion Without Dataset Dependency [8.719356558714246]
  フルウェーブフォーム・インバージョン(Full-waveform Inversion、FWI)は、地震データを用いて地下媒体の物理パラメータを反転させる手法である。 異常な性質のため、FWIは局所的なミニマに閉じ込められやすい。 ニューラルネットワークとFWIを組み合わせることで、インバージョンプロセスの安定化が試みられている。
  論文  参考訳（メタデータ） (2025-02-17T15:30:17Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Sparse-View CT Reconstruction using Recurrent Stacked Back Projection [3.91278924473622]
  Recurrent Stacked Back Projection (RSBP) と呼ばれる直接再構成手法を導入する。 RSBPは、反復的な畳み込みLSTMネットワークへの入力として、個々のビューの逐次的に取得されたバックプロジェクションを使用する。 本研究では,FBP画像の処理後処理と基本MBIRの処理後処理において,計算コストがMBIRよりも低くなることを実証する。
  論文  参考訳（メタデータ） (2021-12-09T15:44:35Z)
• FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for Optical Flow Estimation [72.41370576242116]
  フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。 ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。 実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-01-17T07:13:51Z)

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。