首页/论文/2005.07368

arXiv 2005.073682020-05-15eess.IVhep-ex

机器学习在核径迹探测器（NTD）图像分析中的顺序反卷积和卷积技术的应用

Application of Machine Learning on sequential deconvolution and convolution techniques for analysis of Nuclear Track Detector (NTD) images

Joydeep Chatterjee, Rupamoy Bhattacharyya, Atanu Maulik, Kanik Palodhi

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

提出了一种新的核径迹探测器（NTD）图像分析算法。这个过程中，涉及顺序应用的反卷积和卷积技术，其次是人工神经网络（ANN）的应用程序，是识别NTD图像中的蚀坑开口与其他传统的图像分析技术相比，具有更高的成功程度。

英文摘要：

A novel image analysis algorithm as applied to images of Nuclear Track Detectors (NTD) is presented. This process, involving sequential application of deconvolution and convolution techniques, followed by the application of Artificial Neural Network (ANN), is identifying the etch-pit openings in NTD images with a higher degree of success compared to other conventional image analysis techniques.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

核径迹探测器蚀坑显微图像的卷积混合图像处理技术

Convolution based hybrid image processing technique for microscopic images of etch-pits in Nuclear Track Detectors

提出了一种新的基于卷积的图像处理技术，用于分析核径迹探测器（NTD）中的蚀坑图像。将所提出的方法应用于不同类型的NTD（例如，CR-39，PET），其包含不同尺寸和形状（圆形和椭圆形）的蚀坑开口。对NTD中腐蚀坑的识别和计数都取得了令人满意的结果。

2019-11-17eess.IVphysics.ins-det

CNN中卷积和解卷积的统一硬件架构

A Unified Hardware Architecture for Convolutions and Deconvolutions in CNN

本文提出了一种用于图像分割的可扩展神经网络硬件结构。通过共享相同的计算资源，卷积和去卷积操作都由相同的处理元件阵列处理。此外，对片上和片外存储器的访问进行了优化，以减轻部分和所带来的负担。以SegNet-Basic为例，在Xilinx ZC 706 FPGA上实现，卷积和反卷积的性能分别达到151.5 GOPS和94.3 GOPS。这种统一的卷积/去卷积设计适用于其他具有去卷积的CNN。

2020-05-29cs.AReess.IVeess.SP

图像反卷积的n维卷积性质

Properties on n-dimensional convolution for image deconvolution

Collaborative Innovation Center for Biomedical Engineering, Wuhan National Laboratory for Optoelectronics-Huazhong University of Science and Technology（华中科技大学武汉光电国家研究中心生物医学工程协同创新中心）；Britton Chance Center and MOE Key Laboratory for Biomedical Photonics, School of Engineering Sciences, Huazhong University of Science and Technology（华中科技大学工程科学学院Britton Chance中心及教育部生物医学光子学重点实验室）；School of Mathematics and Economics, Hubei University of Education（湖北第二师范学院数学与经济学院）

卷积系统是线性的、时不变的，可以描述光学成像过程。基于卷积系统，许多反卷积技术已被用于光学图像分析，如提高光学图像的空间分辨率、图像去噪、图像增强等。利用这些性质，我们提出了图像去卷积方法。该方法利用一系列卷积运算对图像进行去卷积。我们证明了该方法具有类似的反褶积结果的国家的最先进的方法。该方法的核心计算是图像卷积，因此，我们的方法可以很容易地集成到GPU模式的大规模图像反卷积。

2017-11-30cs.CVeess.IV

基于卷积神经网络的荧光显微图像自适应加权深度变反卷积

Adaptive Weighting Depth-variant Deconvolution of Fluorescence Microscopy Images with Convolutional Neural Network

University of Michigan-Shanghai Jiao Tong University Joint Institute（上海交通大学密西根学院）；Shanghai Jiao Tong University（上海交通大学）

荧光显微镜在生物医学研究中起着重要的作用。荧光显微镜的深度变点扩散函数（PSF）产生低质量的图像，特别是在厚标本的焦点外区域。传统的去卷积恢复离焦图像通常是不够的，因为一个深度不变的PSF假设。本文旨在通过基于学习的深度变PSF处理荧光显微图像，减少伪影。本文提出了一种基于自适应加权深度变反卷积（AWDVD）和离焦水平预测卷积神经网络（DelpNet）的离焦图像恢复算法。利用DelpNet算法可以得到图像块深度变化的PSF，并将其应用于后续的反卷积。AWDVD被用于整幅图像，该整幅图像在反卷积之前被逐块反卷积并被适当地裁剪。DelpNet达到了98.2%的准确率，超过了使用相同显微镜数据集的有史以来最好的一个。11个散焦水平的图像补丁后，反卷积验证的峰值信噪比和结构相似性指数的最大改善6.6 dB和11%，分别。对逐块去卷积图像的自适应加权可以消除块边界伪影并提高去卷积图像质量。该方法可以准确地估计深度变化的PSF，并有效地恢复离焦显微图像。据我们所知，这是第一次使用基于学习的深度变量PSF处理离焦显微图像的研究。针对荧光显微镜中最常见的模糊现象之一，该方法为提高图像质量提供了一种实用的技术。

2019-07-07cs.CVeess.IV

基于图像语义分割的多最大池集成模型和交叉多尺度反卷积网络

A New Multiple Max-pooling Integration Module and Cross Multiscale Deconvolution Network Based on Image Semantic Segmentation

Xinjiang University（新疆大学）；Software College, Xinjiang University（新疆大学软件学院）；Network Center, Xinjiang University（新疆大学网络中心）

为了更好地保留图像的深度特征并解决端到端分割模型的稀疏性问题，我们提出了一种新的用于医学图像像素分割的深度卷积网络模型，称为MC-Net。该网络模型的核心由四个部分组成，即编码器网络、多个最大池集成模块、交叉多尺度反卷积解码器网络和像素级分类层。在编码器的网络结构中，我们使用多尺度卷积代替传统的单通道卷积。多个最大池化集成模块首先集成编码器网络的每个子模块的输出特征，并使用1的内核大小通过卷积来减少参数的数量。同时，每个最大池化层（每个层的池化大小不同）在每次卷积后进行拼接，以实现每个子模块的特征图的平移不变性。我们使用多个最大池集成模块的输出特征图作为解码器网络的输入;解码器网络中每个子模块的多尺度卷积与编码器网络中相应的多尺度卷积生成的特征图交叉融合。利用上述特征图处理方法，解决了最大池层生成矩阵后的稀疏性问题，增强了分类的鲁棒性。我们使用一个二进制Kaggle 2018数据科学碗数据集和两个多类数据集将我们提出的模型与著名的语义分割全卷积网络（FCN），DecovNet，PSPNet，U-net，SgeNet和其他最先进的分割网络（如HyperDenseNet，MS-Dual，Espnetv 2，Denseaspp）进行比较，并获得了令人鼓舞的实验结果。

2020-03-25cs.CVcs.LGeess.IV

基于噪声容忍自监督反演的图像反卷积

Image Deconvolution via Noise-Tolerant Self-Supervised Inversion

Chan-Zuckerberg Biohub（陈-扎克伯格生物中心）

我们提出了一个通用的框架，用于解决逆问题的存在噪声，需要没有信号先验，没有噪声估计，没有干净的训练数据。我们只要求前向模型可用，并且噪声在测量维度上统计独立。我们建立在$\mathcal{J}$不变函数的理论基础上（Batson & Royer 2019，arXiv：1901.11365），并展示了自监督去噪\emph{à la} Noise 2Self是学习身份的噪声容忍伪逆的特殊情况。我们通过展示如何以自我监督的方式训练卷积神经网络来对图像进行去卷积并在图像质量上超越经典反演方案（例如Lucy-Richardson去卷积）来展示我们的方法。

2020-06-11cs.CVcs.LGeess.IV

更多相关论文收起更多论文

使用孪生神经网络的自监督单图像去卷积

Self-Supervised Single-Image Deconvolution with Siamese Neural Networks

Institute of Computer Science, University of Tartu（塔尔图大学计算机科学研究所）；Revvity Inc.（Revvity公司）；Wellcome Sanger Institute（威康桑格研究所）

针对自监督盲点去卷积中大卷积核训练困难的问题，本文引入快速傅里叶变换卷积和孪生不变性损失，提升三维显微去卷积训练速度并取得优于现有方法的性能。

2023-08-18cs.CVcs.LGeess.IV

自然图像的卷积去模糊

Convolutional Deblurring for Natural Imaging

University of Toronto（多伦多大学）

在本文中，我们提出了一种新的设计，图像去模糊的形式，一次卷积滤波，可以直接卷积与自然模糊的图像进行恢复。光学模糊的问题是许多遭受光学缺陷的成像应用的共同缺点。尽管有许多以包含或排除形式盲目估计模糊的去卷积方法，但由于高计算成本和低图像重建质量，它们实际上是具有挑战性的。高精度和高速度是数字存档中高通量成像平台的先决条件。在这样的平台中，在图像采集之后，在被存储、预览或处理以用于高级解释之前，需要去模糊。因此，这种图像的即时校正对于避免可能的时间延迟、减轻计算费用以及提高图像感知质量是重要的。我们通过将去卷积内核合成为有限脉冲响应（FIR）偶导数滤波器的线性组合来弥合这一差距，该滤波器可以直接与模糊输入图像进行卷积，以提高与光学模糊相关的点扩散函数（PSF）的频率下降。我们采用高斯低通滤波器解耦的图像去噪问题的图像边缘去模糊。此外，我们提出了一种盲方法来估计两个高斯和拉普拉斯模型，这是常见的许多成像管道的PSF统计。彻底的实验设计，以测试和验证所提出的方法的效率，使用2054自然模糊的图像在6个成像应用程序和7个国家的最先进的反卷积方法。

2019-07-19cs.CVeess.IV

DELAD：具有Hessian和稀疏先验的深度Landweber引导反卷积

DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior

Technical University of Munich（慕尼黑工业大学）；Helmholtz AI（亥姆霍兹人工智能中心）；GEOMAR Helmholtz Centre for Ocean Research Kiel（基尔亥姆霍兹海洋研究中心（GEOMAR））

我们提出了一个非盲图像去卷积模型，将经典的迭代方法融入深度学习应用程序中。我们没有使用大型过参数化生成网络来创建清晰的图像表示，而是基于迭代Landweber反卷积算法构建网络，该算法与可训练卷积层集成，以增强恢复的图像结构和细节。除了数据保真度项之外，我们还添加了Hessian和稀疏约束作为正则化项，以提高图像重建质量。我们提出的模型是\textit{self-supervised}和收敛到一个解决方案的基础上，纯粹的输入模糊图像和各自的模糊内核，而不需要任何预训练。我们使用标准的计算机视觉基准数据集以及通过我们的增强景深（EDOF）水下显微镜获得的真实显微镜图像来评估我们的技术，展示了我们的模型在现实世界应用中的能力。定量结果表明，我们的方法与最先进的非盲图像去模糊方法相比具有竞争力，尽管只有一小部分参数并且没有经过预训练，这证明了在深度网络中嵌入经典反卷积方法的效率和功效。

2022-09-30cs.CVeess.IV

示踪剂稀释动力学的量化：医学成像数学建模探索

Quantification of Tracer Dilution Dynamics: An Exploration into the Mathematical Modeling of Medical Imaging

本文研究医学成像中示踪剂稀释动力学的卷积与反卷积建模，提出利用谱导数从残余函数恢复脉冲响应函数，并建立其与CBF、MTT和TTH等灌注指标的关系。

2024-02-29eess.IVmath.SP

用于图像反卷积的点扩散函数可逆性评估学习

Learning Point Spread Function Invertibility Assessment for Image Deconvolution

Universidad Industrial de Santander（桑坦德工业大学）

提出一种基于神经网络非线性映射的PSF可逆性评估度量，作为有效正则化提升图像反卷积质量，并应用于E2E优化设计衍射光学元件，性能超越基线框架。

2025-01-27cs.CVeess.IV

用于反卷积显微术的具有模糊核的CycleGAN：最佳传输几何

CycleGAN with a Blur Kernel for Deconvolution Microscopy: Optimal Transport Geometry

Korea Advanced Institute of Science and Technology（韩国科学技术院）；Seoul National University College of Medicine（首尔大学医学院）

解卷积显微术已被广泛用于提高宽视场荧光显微术的分辨率，但经典方法的性能严重依赖于模型和优化算法的准确性。最近，卷积神经网络（CNN）方法已经被研究为快速且高性能的替代方案。不幸的是，CNN方法通常需要匹配的高分辨率图像进行监督训练。在本文中，我们提出了一种新的无监督循环一致生成对抗网络（cycleGAN），具有线性模糊核，可用于盲和非盲图像反卷积。与需要两个深度生成器的传统cycleGAN方法相比，所提出的cycleGAN方法仅需要单个深度生成器和线性模糊核，这显著提高了网络训练的鲁棒性和效率。我们表明，建议的架构确实是一个双重制定的最佳运输问题，使用一种特殊形式的惩罚最小二乘成本作为运输成本。仿真和真实实验数据的实验结果证实了该算法的有效性。

2020-07-08cs.CVcs.LGeess.IV

生成先验下的类特定盲解卷积相位恢复

Class-Specific Blind Deconvolutional Phase Retrieval Under a Generative Prior

Information Technology University（信息技术大学）

在本文中，我们考虑的高度不适定的问题，联合恢复两个实值信号的无相位测量的循环卷积。这个问题出现在各种成像模式中，例如傅立叶重叠关联成像、X射线晶体学和可见光通信。我们建议在两个预训练的深度生成网络作为先验下使用交替梯度下降算法来解决这个逆问题;一个是在清晰图像上训练的，另一个是在模糊内核上训练的。所提出的恢复算法力求在\textit{best}解释前向测量模型的相应前生成器的范围内找到清晰图像和模糊核。这样，我们就能够重建高质量的图像估计。此外，数值计算表明，该方法在反映物理可实现成像系统的具有挑战性的测量模型上表现良好，并且对噪声也具有鲁棒性

2020-02-28cs.CVcs.LGeess.IV

基于生成对抗网络的半监督和自监督三维显微图像多视图融合

Semi- and Self-Supervised Multi-View Fusion of 3D Microscopy Images using Generative Adversarial Networks

Institute of Imaging and Computer Vision, RWTH Aachen University（亚琛工业大学成像与计算机视觉研究所）

荧光显微镜的最新发展允许随着时间的推移捕获高分辨率的3D图像，用于活的模式生物。为了能够对甚至更大的标本进行成像，多视图光片成像等技术在每个时间点记录不同的方向，然后可以将其融合成单个高质量体积。基于测量的点扩散函数（PSF），去卷积和内容融合能够在很大程度上恢复成像过程中发生的不可避免的退化。经典的多视图解卷积和融合方法主要采用迭代过程和基于内容的平均。最近，卷积神经网络（CNN）已被部署到接近3D单视图去卷积显微镜，但多视图的情况下有待研究。我们研究了基于CNN的多视图去卷积和融合的有效性，其中两个合成数据集模拟发育中的胚胎，并涉及两个或四个互补的3D视图。与经典的最先进的方法相比，所提出的半监督和自监督模型分别在两视图和四视图的情况下实现了具有竞争力和优越的反卷积和融合质量。

2021-08-05cs.CVcs.LGeess.IV

PI-AstroDeconv：一种用于天文图像反卷积的物理信息无监督学习方法

PI-AstroDeconv: A Physics-Informed Unsupervised Learning Method for Astronomical Image Deconvolution

Research Center for Astronomical Computing（天文计算研究中心）；Zhejiang Laboratory（浙江实验室）

本文提出 PI-AstroDeconv，一种融合望远镜 PSF 物理先验的无监督编码器-解码器架构，利用 FFT 卷积高效处理高分辨率天文图像，并比较 AE 与 U-Net 等回归网络。

2024-03-04astro-ph.GAastro-ph.IMcs.CV