用于结构光照明显微镜的无训练物理信息神经网络
图像与视频处理
2023-03-22 v1 计算机视觉与模式识别
光学
摘要
近年来,使用深度神经网络(DNN)进行超分辨图像重建(包括结构光照明显微镜(SIM))引起了极大兴趣。尽管这些方法已展示出非常有前景的结果,但它们都依赖数据驱动的监督训练策略,需要大量真值图像,这在实验上难以实现。对于 SIM 成像,亟需一种灵活、通用且开源的重建方法,能轻易适配不同形式的结构光照明。我们证明可将深度神经网络与结构照明过程的前向模型结合,在无训练数据情况下重建亚衍射极限图像。所得物理信息神经网络(PINN)可在单组衍射极限子图像上优化,因此不需要任何训练集。我们用模拟与实验数据表明,该 PINN 可通过简单改变损失函数中已知的照明图案应用于多种 SIM 方法,并能达到与理论预期相符的分辨率提升。
引用
@article{arxiv.2207.07705,
title = {Untrained, physics-informed neural networks for structured illumination microscopy},
author = {Zachary Burns and Zhaowei Liu},
journal= {arXiv preprint arXiv:2207.07705},
year = {2023}
}
备注
Preprint for journal submission. 21 Pages. 5 main text figures. 6 supplementary figures