論文の概要: Neural Blind Deconvolution for Image Scanning Microscopy

• arxiv url: http://arxiv.org/abs/2610.40088v1
• Date: Thu, 29 Oct 2026 13:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 08:22:48.354532
• Title: Neural Blind Deconvolution for Image Scanning Microscopy
• Title（参考訳）: 画像走査顕微鏡のための神経ブラインドデコンボリューション
• Abstract要約: 本研究では, 標本と検出器依存型PSFを共同で推定する, 無トレーニングブラインド画像優先(DIP)フレームワークを提案する。 実験的チューリンデータでは、ブラインドDIPはマルチイメージのデコンボリューションよりも微細なフィラメント構造を回復し、DIPは固定された理論的PSFを持つ。
• 参考スコア（独自算出の注目度）: 0.13048920509133805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image scanning microscopy (ISM) acquires one scanned image per detector element, which are then fused into a single image by multi-image deconvolution to obtain a super-resolved image. Its accuracy, however, depends on point spread function (PSF) models that sample- and system-induced aberrations often invalidate. Since differences between the scanned images encode aberration information, we propose a training-free blind Deep Image Prior (DIP) framework that jointly estimates the specimen and the detector-dependent PSFs. The PSFs are parametrised through the detector geometry and shared excitation and emission PSFs, reducing the unknowns while preserving the physical ISM model, and a Gaussian pre-initialisation stabilises the blind optimisation. On experimental tubulin data, blind DIP recovers finer filamentous structures than multi-image deconvolution and DIP with fixed theoretical PSFs, while adapting the PSFs to the measurements.
• Abstract（参考訳）: 画像走査顕微鏡(ISM)は、検出器単位の1つのスキャン画像を取得し、それをマルチイメージデコンボリューションにより単一の画像に融合して超解像を得る。 しかし、その精度は、サンプルおよびシステム誘起収差がしばしば無効になる点拡散関数(PSF)モデルに依存する。 スキャン画像の違いが収差情報を符号化するので、標本と検出器依存のPSFを共同で推定する訓練不要のブラインド画像優先(DIP)フレームワークを提案する。 PSFは検出器幾何学と共有励起および放出PSFを通してパラメトリされ、物理的ISMモデルを維持しながら未知を減少させ、ガウスの事前初期化はブラインド最適化を安定化させる。 実験的チューバリンデータでは、ブラインドDIPは多像の脱畳よりも微細なフィラメント構造を回復し、DIPは固定された理論的PSFを用いて測定値に適応する。

関連論文リスト

• $\mathrm{S}^3$-PnP: Plug-and-Play Denoising for Scientific Imaging with Self-Supervised Score Priors [54.57276792548905]
  事前訓練済みのADMM (Plug-and-play ADMM) は有望な代替手段を提供するが、学習済みの事前分布は、目標とする科学的イメージ分布と、フィードバックによるデノイザ入力の分布の両方を提供することができる。 これらのミスマッチを緩和するために,観察由来のADMM中間状態から直接スコアを学習するセルフプレイ復元フレームワークである$mathrmS3 Experimentsを提案する。 具体的には、学習したスコアが分析前更新への入力を補正し、観測駆動補正と解析正則化を組み合わせる。
  論文  参考訳（メタデータ） (2026-10-13T14:26:37Z)
• Compact Snapshot Spectral Imaging with Calibration-Free Aperture Diffraction [21.37093304601417]
  Snapshot Spectral Imaging (SSI)は、内在的な物理的特徴を明らかにするために、高次元時空間分光観察を提供する。 本稿では,2次マスクとベイアフィルタセンサを備えた回折レンズのみからなる,コンパクトで費用対効果の高いキャリブレーションフリーなSSI法を提案する。 ADISは波長を分散し多重化し、エネルギーを異なるセンサー位置へマッピングし、スーパーピクセルレベルのエンコーディングから完全な回復を可能にする。
  論文  参考訳（メタデータ） (2026-08-29T12:35:23Z)
• Differentiable Jitter Correction using Deep Learning-based Image Quality Metric for Phase-Contrast Micro-CT [1.5163040007517543]
  本稿では,X線位相コントラストマイクロCTのためのジッタ補正法を提案する。 取得した投影データから直接、投射ごとの剛体ジッタを推定し、補償するディープラーニングベースの画像品質指標を使用する。 集積パイプラインはジッタによって失われた微細構造の詳細を確実に回収し、形態学的に異なるサンプル間で一般化を実証した。
  論文  参考訳（メタデータ） (2026-08-27T12:22:02Z)
• 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)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• 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)
• Spatially-Variant CNN-based Point Spread Function Estimation for Blind Deconvolution and Depth Estimation in Optical Microscopy [6.09170287691728]
  薄めながら平らでない物体の光顕微鏡画像の解像度を向上する手法を提案する。 畳み込みニューラルネットワーク(CNN)を用いた空間変動点スプレッド関数(PSF)モデルのパラメータを推定する。 本手法は,理想条件下での2乗ピアソン相関係数0.99で画像自体からPSFパラメータを復元する。
  論文  参考訳（メタデータ） (2020-10-08T14:20:16Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• 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。