Complex-valued Retrievals From Noisy Images Using Diffusion Models

要約

さまざまな顕微鏡法では、センサーは実数値の強度のみを測定します。
さらに、センサーの読み取り値は、ポアソン分布光子ノイズの影響を受けます。
従来の復元アルゴリズムは通常、元の画像と復元された画像の間の平均二乗誤差 (MSE) を最小限に抑えることを目的としています。
これにより、多くの場合、結果が不鮮明になり、知覚品質が低下します。
最近、深層拡散モデル (DDM) は、求めた変数の事後確率から画像をサンプリングする能力が高く、視覚的に美しい高品質の画像が得られることが証明されました。
これらのモデルは主に、ガウス ノイズの影響を受ける実数値画像に対して提案されています。
この研究では、DDM の一種であるアニーリングされたランジュバン ダイナミクスを一般化し、ポアソン ノイズの影響を受ける複素数値の物体 (および実画像) の光学イメージングにおける基本的な課題に取り組みます。
私たちはアルゴリズムを、フーリエ タイコグラフィー、位相回復、ポアソンノイズ除去などのさまざまな光学シナリオに適用します。
私たちのアルゴリズムは、シミュレーションと生物学的経験データに基づいて評価されます。

要約(オリジナル)

In diverse microscopy modalities, sensors measure only real-valued intensities. Additionally, the sensor readouts are affected by Poissonian-distributed photon noise. Traditional restoration algorithms typically aim to minimize the mean squared error (MSE) between the original and recovered images. This often leads to blurry outcomes with poor perceptual quality. Recently, deep diffusion models (DDMs) have proven to be highly capable of sampling images from the a-posteriori probability of the sought variables, resulting in visually pleasing high-quality images. These models have mostly been suggested for real-valued images suffering from Gaussian noise. In this study, we generalize annealed Langevin Dynamics, a type of DDM, to tackle the fundamental challenges in optical imaging of complex-valued objects (and real images) affected by Poisson noise. We apply our algorithm to various optical scenarios, such as Fourier Ptychography, Phase Retrieval, and Poisson denoising. Our algorithm is evaluated on simulations and biological empirical data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google