LWGNet: Learned Wirtinger Gradients for Fourier Ptychographic Phase Retrieval

要約

Fourier Ptychographic Microscopy (FPM) は、従来の顕微鏡のSBP (Space-Bandwidth Product) の制限を計算によって克服したイメージング手法です。低開口数（NA）の対物レンズで撮影した複数の画像を利用し、周波数領域のスティッチングにより高解像度の位相イメージングを可能にします。既存のFPM再構成手法は、フォワードイメージングモデルの物理に基づく反復最適化ベースの手法と、一般的にフィードフォワードディープラーニングのフレームワークを採用したデータ駆動型の手法に大別される。我々は、フォワードイメージングシステムの知識と深いデータ駆動型ネットワークを組み合わせたハイブリッドモデル駆動型残差ネットワークを提案する。提案するアーキテクチャLWGNetは、従来のWirtingerフロー最適化アルゴリズムを、複雑な畳み込みブロックを通して勾配画像を強化する新しいニューラルネットワークデザインにアンロールするものである。他の従来のアンローリング手法とは異なり、LWGNetは、特に低コストで低ダイナミックレンジのCMOSセンサーに対して、既存の従来手法や深層学習手法と同等かそれ以上の性能を発揮しながら、少ないステージを使用しています。低ビット深度で低コストのセンサーに対するこの性能向上は、FPMイメージングセットアップのコストを大幅に引き下げる可能性を持っています。最後に、私たちが収集した実データにおいて、一貫して改善された性能を示します。

要約(オリジナル)

Fourier Ptychographic Microscopy (FPM) is an imaging procedure that overcomes the traditional limit on Space-Bandwidth Product (SBP) of conventional microscopes through computational means. It utilizes multiple images captured using a low numerical aperture (NA) objective and enables high-resolution phase imaging through frequency domain stitching. Existing FPM reconstruction methods can be broadly categorized into two approaches: iterative optimization based methods, which are based on the physics of the forward imaging model, and data-driven methods which commonly employ a feed-forward deep learning framework. We propose a hybrid model-driven residual network that combines the knowledge of the forward imaging system with a deep data-driven network. Our proposed architecture, LWGNet, unrolls traditional Wirtinger flow optimization algorithm into a novel neural network design that enhances the gradient images through complex convolutional blocks. Unlike other conventional unrolling techniques, LWGNet uses fewer stages while performing at par or even better than existing traditional and deep learning techniques, particularly, for low-cost and low dynamic range CMOS sensors. This improvement in performance for low-bit depth and low-cost sensors has the potential to bring down the cost of FPM imaging setup significantly. Finally, we show consistently improved performance on our collected real data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL