دانلود ترجمه مقاله شبح نگاری محاسباتی با یادگیری عمیق – الزویر ۲۰۱۸:در این مطالعه، یک روش با استفاده از DNN را برای بهبود کیفیت تصویر های ایجاد شده با CGI ارائه کردیم و نتایج به دست آمده از شبیه سازی ها با استفاده از DNN یک مجموعه داده متشکل از ۱۵۰۰۰ تصویر را هم نشان دادیم. ما تصاویر بازسازی شده با استفاده از روش پیشنهاد شده را با تصاویر به دست آمده از روش CGI تفاضلی و نویز گیری دو طرفه ، مقایسه کردیم. با تست هشت تصویر که در مجموعه داده ی تمرینی قرار نداشتند، مقدار SSIM میانگین از روش پیشنهاد شده بیش از ۰٫۳ بود در حالی که این مقدار برای روش های تفاضلی CGI و روش دو طرفه، تنها ۰٫۲ بود. در مطالعه ی بعدی، ما ساختار شبکه یDNN را بهبود خواهیم داد تا کیفیت تصویر را باز هم ارتقا بخشیم.

مقاله انگلیسی+ترجمه فارسی

فهرست مطالب

چکیده

۱٫ مقدمه

۲٫ روش ارائه شده

۲٫۱ شبح نگاری کامپیوتری

۲٫۲ بهبود کیفیت تصویر برداری با استفاده از شبکه عصبی عمیق

۳-نتایج

۴٫ جمع بندی

چکیده

شبح نگاری کامپیوتری (CGI) یک تکنیک تصویر برداری تک پیکسل می باشد که از همبستگی های بین الگوی های اتفاقی معلوم و شدت اندازه گیری شده ی نور عبور یافته ( یا منعکس شده) توسط یک شی، استفاده می کند. با وجود این که CGI می تواند تصویر های دو یا سه بعدی را با استفاده از یک یا چندین آشکار ساز پیمانه ای ( آشکار ساز های تک پیکسلی با نام آشکار ساز های پیمانه ای نیز شناخته می شوند) به دست بیاورد، در اثر نویز در روند بازسازی تصویر از الگوهای اتفاقی، کیفیت تصویر های بازسازی شده پایین می آید. در این مطالعه، ما کیفیت تصویر برداری های CGI را با استفاده از یادگیری عمیق بهبود می دهیم. یک شبکه ی عصبی عمیق در این مطالعه مورد استفاده قرار گرفته است تا این شبکه بتواند به صورت خودکار ویژگی های تصویر های CGI آلوده به نویز را یاد بگیرد. بعد از تمرین ، این شبکه می تواند تصویر هایی با نویز پایین را از تصویر های CGI آلوده به نویز، پیش بینی کند.

Abstract

Computational ghost imaging (CGI) is a single-pixel imaging technique that exploits the correlation between known random patterns and the measured intensity of light transmitted (or reflected) by an object. Although CGI can obtain two- or three-dimensional images with a single or a few bucket detectors, the quality of the reconstructed images is reduced by noise due to the reconstruction of images from random patterns. In this study, we improve the quality of CGI images using deep learning. A deep neural network is used to automatically learn the features of noise-contaminated CGI images. After training, the network is able to predict low-noise images from new noise-contaminated CGI images.

نمونه ترجمه مقاله:

شبح نگاری کامپیوتری (CGI) [1] ، توجه زیادی را در سال های اخیر به خودش جلب کرده است و به عنوان یکی از روش های تصویر برداری تک پیکسلی امید بخش، معرفی شده است. در این روش، ما الگوهای اتفاقی مختلف را بر روی چیزی که قرار است از آن تصویر گفته شود انداخته می اندازیم و سپس یک لنز برای جمع آوری کردن نور های رد شده یا منعکس شده از تصویر، استفاده می کنیم. شدت های نور با استفاده از یک آشکار ساز  پیمانه ای  ( آشکار ساز  های تک پیکسلی با نام آشکار ساز  پیمانه ای هم شناخته می شوند) مانند فوتودیود ها اندازه گیری می شود. سپس با محاسبه کردن همبستگی های بین الگوهای اتفاقی معلوم و شدت های نوری اندازه گیری شده، تصویر آن شی ایجاد می شود. CGI می تواند از اشیا در محیط های نویز دار نیز تصویر برداری کند.

در اصل، CGI تنها می تواند شدت نور اشیا را اندازه گیری کند، اما روش های مختلفی برای اندازه گیری فاز نوزی نیز ارائه شده است [2و3]. زمان اکتساب برای طرح های CGI نیز طولانی می باشد زیرا این روش ها نیازمند تعداد زیادی از الگوهای اتفاقی نور پردازی بر روی شی می باشند. اخیرا، این شرایط با استفاده از روش های نورپردازی اتفاقی با سرعت بالا [4و5] بهبود پیدا کرده است. به علاوه، روش های سه بعدی [6]  و چند طیفی از CGI [7] نیز توسعه پیدا کرده است.

به دلیل این که الگوهای اتفاقی در این قسمت برای ایجاد کردن تصویر اشیا مورد استفاده قرار می گیرد، تصویر های بازسازی شده توسط نویز آلوده می شود. برای بهبود کیفیت تصویر های CGI ، روش های محاسبه ی همبستگی بهبود یافته ارائه شده است، مانند CGIهای تفاضلی [8] و CGI نرمال شده [9]. طرح های بهینه سازی مکرر مبتنی بر الگوریتم های گرچبرگ – ساکستون [10] همراه با روش های سنجش فشرده [7 و 11] نیز برای CGI مورد استفاده قرار گرفته است.

در این مطالعه، ما یک روش برای بهبود کیفیت تصویر های CGI با استفاده از یادگیری عمیق [12] استفاده می کنیم و از طریق شبیه سازی ها نشان می دهیم که این روش، قدرت و کارایی کافی دارد. شبکه های عصبی عمیق (DNN ها) می تواند ویژگی ها را از تصویر های نویز دار بازسازی شده توسط طرح های CGI به صورت خودکار، یاد بگیرد. ما از یک مجموعه داده متشکل از 15000 تصویر و بازسازی های CGI به منظور تمرین دادن یک شبکه، استفاده کردیم. بعد از تمرین، این شبکه می تواند تصویر هایی با نویز کمتر را از تصویر های CGI نویز دار جدید پیش بینی کند که این تصاویر از قبل در مجموعه ی تمرینی این شبکه قرار نداشته اند. در بخش 2 ، ما طرح CGI مبتنی بر DNN را ارائه می کنیم. در بخش سوم نیز ما نتایج شبیه سازی ها را ارائه کرده و کارایی روش های پیشنهاد شده را نشان می دهیم. در نهایت، بخش 4 نیز نشان دهنده ی جمع بندی این مطالعه می باشد.