傅里叶全息显微镜的数据驱动设计
本文提出了一种新的数据驱动方法,通过机器学习技术和物理学知识相结合,优化了 LED 阵列显微镜的编码照明模式,并将其应用于稀疏性相位重建算法,证明了该方法可以显著提高实验结果的准确性,且只需较少的训练数据。
Aug, 2018
本文提出一种新的在线优化算法,基于 FISTA 算法,使用只有子集的测量数据实现了可扩展的傅里叶全息显微(FPM)成像,模拟和实验数据结果表明该算法可以显著提高性能。
Oct, 2018
利用自监督学习,提出一种物理信息掩蔽自动编码器 (PiMAE),能够通过直接从原始显微图像中学习估计点扩散函数 (PSF) 和发射源的值,这种方法优于传统方法,展示了可行的机制实现在光学显微镜中实现更精确的成像。
Apr, 2023
本研究利用物理规范化深度自监督学习结构,加速针对集成电路的 ptycho-laminographic 重建,仅需采集 16 倍少的角度样本和 4.67 倍更快的计算,且重建品质优于完整采集和无学习的密采集重建,从而实现了对纳米结构的三维检查,并为安全和可靠性保障做出了贡献。
Apr, 2023
我们提出了一种能够同时去噪和预测多光子成像测量像素级不确定性的方法,提高了算法的可靠性并为深度学习预测提供了统计保证。通过学习得到的像素级不确定性,我们提出了一种自适应采集技术,仅重新扫描样本中最不确定的区域。在实验噪声多光子成像测量人类子宫内膜组织方面,我们展示了我们能够保持精细特征并在每个像素上优于其他去噪方法的能力。最后,通过我们的自适应采集技术,我们展示了在成功恢复样本中的细节特征的同时,采集时间和总光剂量减少了 120 倍。我们是首先在真实实验数据上展示了无分布不确定性量化的去噪任务的方法,并首次提出了基于重建不确定性的自适应采集。
Oct, 2023
通过使用 SFNet 模型,我们提出了一种基于两个 fringe 图像的相位恢复方法,实现了高精度的 3D 重建,解决了使用有限数量的 fringe 图案的挑战。
Feb, 2024
点扩散函数(PSF)工程是一种井然有序的计算成像技术,它利用相位掩模和其他光学元件将额外的信息(如深度)嵌入常规 CMOS 图像传感器捕获的图像中。本文通过理论界限(Cramér Rao 界限)建立了使用 PSF 工程事件相机进行三维点定位和跟踪的方法。利用这些界限,首先证明了现有的 Fisher 相位掩模在定位静态闪烁点源(如闪烁荧光分子)时已经接近最优。然后证明了现有设计在跟踪移动点源方面是次优的,并利用我们的理论为此任务设计了最优相位掩模和二值振幅掩模。为了克服设计问题的非凸性,我们利用基于新颖的隐式神经表示的参数化方法对相位和振幅掩模进行了描述。通过大量的仿真实验证明了我们设计的有效性。我们还用一个简单的原型进行了验证。
Jun, 2024
本文介绍了一种名为 mSTCT 的新的扫描模式和 backprojection-filtration 的新算法,能够有效地提高微 CT 系统的视野和高分辨率重建效率,并且在模拟和实验中验证了该算法的可行性。
May, 2023
本文介绍了一种采用大规模远程计算资源和嵌入式 GPU 平台的端到端自动化工作流,以实现对 x 射线相衬成像数据的 AI/ML 加速实时分析,从而实现纳米级成像。
Apr, 2023