Noise2Ghost: Self-supervised deep convolutional reconstruction for ghost imaging

要約

私たちは、監視されていない方法の中で騒々しい獲得のために比類のない再構築パフォーマンスを提供する、新しい自己監督の深部学習ベースのゴーストイメージング（GI）再構築方法を提示します。
サポート数学的フレームワークと、理論的および実際のデータユースケースの結果を提示します。
Self-Supervisionは、強力なノイズリダクションを提供しながら、クリーンな参照データの必要性を削除します。
これにより、新興および最先端の低照度GIシナリオでのGI取得にシグナルとノイズ比の懸念に対処するために必要なツールが提供されます。
注目すべき例には、用量感受性サンプルのX線蛍光イメージングなど、マイクロおよびナノスケールのX線発光イメージングが含まれます。
それらのアプリケーションには、生物学的サンプルとバッテリーのための生体内およびオペランド内のケーススタディが含まれます。

要約(オリジナル)

We present a new self-supervised deep-learning-based Ghost Imaging (GI) reconstruction method, which provides unparalleled reconstruction performance for noisy acquisitions among unsupervised methods. We present the supporting mathematical framework and results from theoretical and real data use cases. Self-supervision removes the need for clean reference data while offering strong noise reduction. This provides the necessary tools for addressing signal-to-noise ratio concerns for GI acquisitions in emerging and cutting-edge low-light GI scenarios. Notable examples include micro- and nano-scale x-ray emission imaging, e.g., x-ray fluorescence imaging of dose-sensitive samples. Their applications include in-vivo and in-operando case studies for biological samples and batteries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google