本文介绍了一种通过利用光学非线性性形成一个狭缝点来实现高分辨率成像技术的方法,该方法可用于高度散射的生物样本中的二光子荧光显微镜成像。
May, 2014
我们提出了一种在存在大量和多样性数据集的散射介质中进行成像的方法。这个方法分为两个步骤:第一步使用字典学习算法估计无序感知矩阵中真实的格林函数向量;第二步使用基于列间互相关得到的连接信息的多维尺度缩放法对估计的感知矩阵的列进行排序,从而进行成像。通过模拟实验,我们展示了该方法能够在复杂介质中提供与均匀介质相当分辨率的图像。
Sep, 2023
应用可训练小波作为过滤器的可学习散射变换模型在宇宙学信息推断和消除星际物理效应方面表现优于传统卷积神经网络,特别在训练数据有限的情况下,且具有高度解释性。
Jul, 2023
利用小波散射网络对静态过程进行表示,获得更高阶矩并可用于区分具有相同傅立叶功率谱的纹理,对于手写数字和纹理判别任务取得了最先进的分类结果。
Mar, 2012
本研究提出了一种基于统计学习和卷积神经网络的高度可扩展的方法,通过散射介质中捕捉到的雹花强度模式,模型具有抗雹花去相关性的鲁棒性,并能够实现准确物体预测。
Jun, 2018
本研究提出了一种新方法及优化策略用于去除自然图像中的散射介质层,特别是在具有挑战性的水下场景、雾霾以及沙尘暴等低可见度环境下,利用非局部结构感知正则化约束了传输估计,并采用选择性邻域标准将非常规约束优化问题转化为无约束问题,最终实现高效分离。
Oct, 2013
我们引入了一种两层小波散射网络,可用于物体分类,该两层卷积网络不涉及学习和最大池化,通过初始化第一层的小波滤波器,能够在形态物体变量和杂波等复杂图像数据集上高效执行。
Dec, 2013
介绍了一个用于研究有源变形材料设计控制声波的环境,并开发了一种基于深度神经网络的机器学习方法,可以有效地学习声波的动态。该方法可预测和控制散射波能量,在声学中解决了最小化总散射能量的重要问题。
Nov, 2023
全波场激光雷达:利用相干光学调制解调器进行距离、轴向速度和偏振的同时测量的新型成像技术。
Jun, 2024
本论文利用基于深度学习的方法,通过估计光流场并使用卷积神经网络,从短序列图像中去除窗户反射、栅栏遮挡和雨滴等干扰因素。该方法能够处理一些错误和脆弱假设,并在多个具有挑战性的场景中表现出不错的效果。
Apr, 2020