[论文解读] Zero-Shot Learning of Continuous 3D Refractive Index Maps from Discrete Intensity-Only Measurements
DeCAF 是首个基于神经场的方法，用于从有限角度、仅强度的测量中实现零样本三维折射率（RI）重建，适用于强度衍射断层扫描（IDT）。它直接从数据中学习连续的、无伪影的 RI 体积表示，无需外部训练，可在多种 IDT 模式和生物样本中实现高对比度重建。
Intensity diffraction tomography (IDT) refers to a class of optical microscopy techniques for imaging the 3D refractive index (RI) distribution of a sample from a set of 2D intensity-only measurements. The reconstruction of artifact-free RI maps is a fundamental challenge in IDT due to the loss of phase information and the missing cone problem. Neural fields (NF) has recently emerged as a new deep learning (DL) paradigm for learning continuous representations of complex 3D scenes without external training datasets. We present DeCAF as the first NF-based IDT method that can learn a high-quality continuous representation of a RI volume directly from its intensity-only and limited-angle measurements. We show on three different IDT modalities and multiple biological samples that DeCAF can generate high-contrast and artifact-free RI maps.
研究动机与目标
- 解决在强度衍射断层扫描（IDT）中，仅从有限角度、仅强度的测量中重建无伪影三维折射率（RI）图的根本挑战。
- 通过学习连续的三维 RI 表示，克服仅强度测量固有的缺失圆锥问题和相位丢失。
- 实现无需依赖外部标注训练数据集的 RI 体积零样本学习，利用神经场实现隐式场景表示。
- 开发一种方法，在保持高重建保真度和对比度的同时，适用于多种 IDT 模式和生物样本，并具备良好的泛化能力。
提出的方法
- 利用神经场（NF）将三维折射率体积隐式表示为位置坐标的连续、可微函数。
- 仅使用在有限角度下获取的仅强度投影进行神经场训练，无需相位或真实 RI 数据。
- 将前向模型表述为光通过样品传播的可微分模拟，从而实现成像过程中的反向传播。
- 通过可微成像模拟器，最小化预测强度与实测强度之间的差异，以优化神经场参数。
- 利用神经场的归纳偏置，隐式正则化解算过程，即使在数据不完整的情况下也能抑制伪影。
- 通过直接从原始强度测量预测连续 RI 图像，无需在特定样本上微调，实现零样本推理。
实验结果
研究问题
- RQ1基于神经场的方法能否在无需外部训练数据的情况下，从仅强度、有限角度的测量中重建出高质量、连续的三维折射率图？
- RQ2所提出方法在不同 IDT 模式和多样化生物样本上的泛化能力如何？
- RQ3与传统 IDT 重建技术相比，该方法在多大程度上缓解了伪影和缺失圆锥问题？
- RQ4神经场的隐式正则化是否能在数据严重不完整的情况下实现无伪影重建？
主要发现
- DeCAF 在无需任何外部训练数据的情况下，成功从仅强度、有限角度的测量中重建出高对比度、无伪影的三维折射率图。
- 该方法在三种不同的 IDT 模式和多个生物样本中均表现出良好的泛化能力，展现出鲁棒性与零样本能力。
- 通过利用神经场的归纳偏置，DeCAF 有效缓解了缺失圆锥问题，并抑制了重建伪影。
- DeCAF 学习到的连续表示可直接从原始强度投影中实现高保真度的 RI 体积重建，在视觉质量和结构保真度上优于传统方法。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。