Low-light phase retrieval with implicit generative priors

要約

位相回復 (PR) は科学イメージングにおいて基本的に重要であり、コヒーレント回折イメージング (CDI) のようなナノスケール技術にとって極めて重要です。
低放射線量イメージングは​​、放射線に敏感なサンプルを含むアプリケーションには不可欠です。
ただし、ほとんどの PR 方法は、ショットノイズが高いため、低線量シナリオでは困難を伴います。
in-situ CDI などの光学データ収集セットアップの最近の進歩は、低線量イメージングに有望であることを示していますが、それらは時系列の測定に依存しているため、単一画像アプリケーションには適していません。
同様に、データ駆動型の位相検索技術は、データが不足している状況に簡単に適応することはできません。
事前トレーニングされた暗黙的な生成事前分布に基づくゼロショット深層学習手法は、さまざまなイメージング タスクで効果的ですが、PR では限定的な成功しか示されていません。
この研究では、低線量ディープ画像事前分布 (LoDIP) を提案します。これは、その場 CDI と暗黙的な生成事前分布の能力を組み合わせて、単一画像の低線量位相回復に対処します。
定量的評価により、このタスクにおける LoDIP の優れたパフォーマンスと、実際の実験シナリオへの適用可能性が実証されています。

要約(オリジナル)

Phase retrieval (PR) is fundamentally important in scientific imaging and is crucial for nanoscale techniques like coherent diffractive imaging (CDI). Low radiation dose imaging is essential for applications involving radiation-sensitive samples. However, most PR methods struggle in low-dose scenarios due to high shot noise. Recent advancements in optical data acquisition setups, such as in-situ CDI, have shown promise for low-dose imaging, but they rely on a time series of measurements, making them unsuitable for single-image applications. Similarly, data-driven phase retrieval techniques are not easily adaptable to data-scarce situations. Zero-shot deep learning methods based on pre-trained and implicit generative priors have been effective in various imaging tasks but have shown limited success in PR. In this work, we propose low-dose deep image prior (LoDIP), which combines in-situ CDI with the power of implicit generative priors to address single-image low-dose phase retrieval. Quantitative evaluations demonstrate LoDIP’s superior performance in this task and its applicability to real experimental scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google