Oct, 2023

PtychoDV: 基于视觉 Transformer 的逐步展开网络用于相位成像图重建

PDF
TL;DRPtychoDV 是一种高效、高质量的 ptychographic 图像重建网络，它通过显著降低迭代算法的计算成本和保持竞争性能，从原始测量数据生成初始图像，并利用学习卷积先验和 ptychography 测量模型细化初始图像。实验结果表明，PtychoDV 在模拟数据上的表现优于现有的深度学习方法。
ptychographyimaging techniqueiterative algorithmdeep learningcomputational cost
发现论文，激发创造
  • 物理约束无监督深度学习用于快速高分辨率扫描相干衍射重建

    使用非监督物理知识神经网络重建方法，结合衍射正演映射与重叠测量的约束，提高了重构速度和质量，为高通量环境下的高分辨率实时成像带来了令人兴奋的前景。

    Jun, 2023

  • 利用单次相位恢复神经网络预测相衬成像探针位置

    利用神经网络进行密集分析，基于图像配准以及线性方程的构建和求解，实现 ptychography 探针位置的准确预测并对大尺度和累积性位置误差进行有效校正。

    May, 2024

  • 基于 AI 辅助的自动化工作流，利用联合资源进行实时 X 射线全息摄影数据分析

    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

  • 卷积 - Transformer 混合概率先验展开框架及其在视频快照压缩成像中的不确定性估计

    本文提出了一种基于 DUN 框架下的 3D 卷积 - Transformer 混合（CTM）模块，该模块利用 Transformer 的 3D 有效可扩展关注模型充分学习时间和空间维度之间的相关性，并引入方差估计来表征重建过程中的高频信息，实验结果表明该模型在视频 SCI 重建方面取得了最好的表现（比此前的 SOTA 算法 PSNR 提高了 1.2dB）。

    Jun, 2023

  • 三维纳米级集成电路成像的深度自监督 ptycho-laminography 加速技术

    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

  • 基于变换域金字塔扩张卷积网络的屏下摄像头图像恢复

    本文介绍了两种不同的神经网络方法，用于恢复基于 P-OLED 和 T-OLED 的 Under-Display Camera 拍摄图像，前者在 ECCV 2020 挑战中获胜，后者在比赛中获得第四名。

    Sep, 2020

  • 迭代算法用于全息相位恢复

    本文介绍了 ptychography 的优点和存在的问题，并从数值分析的角度回顾了一些解决 phase retrieval 问题的现有方法，并提出了一些基于数值优化的替代方法。

    May, 2011

  • 金字塔视觉变换器：一种适用于无卷积的密集预测的通用主干网络

    本文研究了另一种适用于许多密集预测任务的简单骨架网络，即金字塔视觉 Transformer（PVT），它比 Transformer 具有更高的输出分辨率和更少的计算和内存成本，并且在许多下游任务中提高了性能，例如对象检测，语义和实例分割。

    Feb, 2021

  • PolyphonicFormer: 深度感知视频全景分割的统一查询学习

    本文提出了一种称为 PolyphonicFormer 的视觉变换器，它使用查询查询技术将深度估计与全景分割统一起来，具有更好的性能。通过实验证明了我们的方法在深度估计和全景分割方面取得了最先进的结果，并在 ICCV-2021 BMTT 挑战赛中获得了第一名。

    Dec, 2021

  • prDeep：一种具有灵活深层网络的强健相位恢复方法

    本文介绍了一种新的相位恢复算法 prDeep，利用正则化去噪框架和卷积神经网络去噪器，使得该算法具有鲁棒性并且广泛适用于各种系统模型，通过模拟测试和验证表明其能够应对噪声并且可以处理多种系统模型。

    Mar, 2018