用于去卷积显微镜的带模糊核CycleGAN:最优传输几何
图像与视频处理
2020-07-09 v3 计算机视觉与模式识别
机器学习
摘要
去卷积显微镜已被广泛用于提高宽场荧光显微镜的分辨率,但经典方法的性能关键取决于模型和优化算法的精度。近来,卷积神经网络(CNN)方法作为快速且高性能的替代方案得到了研究。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。本文中,我们提出一种新颖的带线性模糊核的无监督循环一致生成对抗网络(cycleGAN),可用于盲和非盲图像去卷积。与需要两个深度生成器的传统cycleGAN方法不同,所提cycleGAN方法仅需单个深度生成器和一个线性模糊核,显著提高了网络训练的鲁棒性和效率。我们证明所提架构确实是一种最优传输问题的对偶形式,该问题使用一种特殊形式的惩罚最小二乘代价作为传输代价。使用模拟和真实实验数据的实验结果证实了该算法的有效性。
引用
@article{arxiv.1908.09414,
title = {CycleGAN with a Blur Kernel for Deconvolution Microscopy: Optimal Transport Geometry},
author = {Sungjun Lim and Hyoungjun Park and Sang-Eun Lee and Sunghoe Chang and Jong Chul Ye},
journal= {arXiv preprint arXiv:1908.09414},
year = {2020}
}
备注
This paper is accepted for IEEE Trans. Computational Imaging