May, 2024

利用单次相位恢复神经网络预测相衬成像探针位置

PDF
TL;DR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。
ptychographyprobe positionsneural networkimage registrationposition prediction
发现论文，激发创造
  • 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

  • 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

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

    PtychoDV 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。

    Oct, 2023

  • 基于坐标的神经网络用于傅立叶相位恢复

    研究介绍了一种名为 Single impliCit neurAl Network (SCAN) 的工具，它是基于精心设计的坐标神经网络，用于提升相位恢复性能和精度，在高清晰度成像领域和相干衍射成像中具有重要应用价值。SCAN 通过无监督的方式将目标坐标与其振幅和相位相连接，绕过了常规迭代方法的局限性，如高计算负荷和噪声干扰，并将预测振幅和相位都纳入损失函数，提高了恢复的准确性。综合测试结果证实了 SCAN 相对于传统方法和其他深度学习模型在准确性和噪声鲁棒性方面的优越性，同时还展示了 SCAN 在斑图成像设置中的出色表现。

    Nov, 2023

  • 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

  • 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

  • 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

  • 噪声干扰下干涉成像相位恢复的 3D-2D 神经网络

    近年来，神经网络已被用于解决成像中的相位恢复问题，比传统技术具有更高的准确性和速度，特别是在存在噪声的情况下。然而，在干涉成像的背景下，现有的神经网络结构很少解决相位噪声问题。本文介绍了一种 3D-2D 相位恢复 U-Net (PRUNe) 模型，它以噪声和随机相位移的干涉图作为输入，并输出一张 2D 相位图像。经过 3D 降采样卷积编码器和 2D 解码器的处理，模型能更准确、平滑地恢复相位图像，在低光强（<1 个光子 / 像素）和高光强（~100 个光子 / 像素）信噪比的干涉图像上，均表现出比现有算法更低 2.5-4 倍的均方误差。该模型为在极低光强干涉成像中进行相位恢复提供了更快速和更准确的方法，并将在其他多帧噪声成像技术中应用。

    Feb, 2024

  • 利用深度学习进行神经网络中的相位恢复和全息图像重建

    本文探讨利用神经网络进行相位恢复及全息图像重建，可以消除双幅像和自干涉产生的空间伪影，相较于现有的方法更快、准确。通过计算血液、宫颈涂片、组织切片等样本，验证了该方法的可行性，表明机器学习可以克服成像科学中的挑战性问题，为设计强大的计算成像系统提供了新的思路。

    May, 2017

  • 大规模相位恢复

    本文介绍了一种高效且具有强大泛化能力的大规模相位恢复技术，其使用交替投影算法和增强的神经网络分别处理测量和统计优化问题，有效地弥补了各个操作符的缺点，并在计算成本较低的前提下实现了大规模相位恢复，被应用于计算相位成像中的各种模态并验证了其优越性。

    Apr, 2021