PNR：用于高分辨率LFM重建的物理信息神经表示
图像与视频处理
2024-09-30 v1 计算机视觉与模式识别
摘要
光场显微镜（LFM）因其高效捕获3D场景的能力而在各领域广泛应用。尽管神经表示方法取得了快速进展，但鲜有方法专为微观场景设计。现有方法往往不充分解决由于焦散和样本色差导致的高频信息丢失问题，导致性能次优。此外，现有方法包括RLD、INR和监督U-Net面临对初始估计敏感、依赖大量标记数据和计算效率低等挑战，显著降低了在复杂生物场景中的实用性。本文介绍了PNR（Physics-informed Neural Representation），一种用于高分辨率LFM重建的方法，显著提升了性能。该方法采用无监督且显式的特征表示方法，相较于RLD实现PSNR提升6.1 dB。此外，该方法采用基于频率的训练损失，实现对高频细节的更好恢复，使LPIPS至少减少一半（相对于SOTA方法，从3.646降至1.762）。此外，PNR集成了物理信息色差校正策略，在优化过程中优化Zernike多项式参数，从而减少因色差导致的信息损失并提高空间分辨率。这些突破性进展使PNR成为长期高分辨率生物成像应用的有前景的解决方案。我们的代码和数据集将公开发布。
引用
@article{arxiv.2409.18223,
title = {PNR: Physics-informed Neural Representation for high-resolution LFM reconstruction},
author = {Jiayin Zhao and Zhifeng Zhao and Jiamin Wu and Tao Yu and Hui Qiao},
journal= {arXiv preprint arXiv:2409.18223},
year = {2024}
}