عنوان مقاله به انگلیسی | 4D-ONIX: A deep learning approach for reconstructing 3D movies from sparse X-ray projections |
عنوان مقاله به فارسی | مقاله 4D-ONIX: یک رویکرد یادگیری عمیق برای بازسازی فیلم های سه بعدی از تصاویر پرتونگاری (X-ray) پراکنده |
نویسندگان | Yuhe Zhang, Zisheng Yao, Robert Klöfkorn, Tobias Ritschel, Pablo Villanueva-Perez |
زبان مقاله | انگلیسی |
فرمت مقاله: | |
چکیده | The X-ray flux provided by X-ray free-electron lasers and storage rings offers new spatiotemporal possibilities to study in-situ and operando dynamics, even using single pulses of such facilities. X-ray Multi-Projection Imaging (XMPI) is a novel technique that enables volumetric information using single pulses of such facilities and avoids centrifugal forces induced by state-of-the-art time-resolved 3D methods such as time-resolved tomography. As a result, XMPI can acquire 3D movies (4D) at least three orders of magnitude faster than current methods. However, no algorithm can reconstruct 4D from highly sparse projections acquired by XMPI. Here, we present 4D-ONIX, a Deep Learning (DL)-based approach that learns to reconstruct 3D movies (4D) from an extremely limited number of projections. It combines the computational physical model of X-ray interaction with matter and state-of-the-art DL methods. We demonstrate the potential of 4D-ONIX to generate high-quality 4D by generalizing over multiple experiments with only two projections per timestamp for binary droplet collisions. We envision that 4D-ONIX will become an enabling tool for 4D analysis, offering new spatiotemporal resolutions to study processes not possible before. |
تعداد صفحات | 26 |
چکیده به فارسی (ترجمه ماشینی) | شار اشعه ایکس ارائه شده توسط لیزرهای الکترونی با اشعه ایکس و حلقه های ذخیره سازی امکانات مکانی جدید مکانی را برای مطالعه پویایی در محل و اپراندو ارائه می دهد ، حتی با استفاده از پالس های منفرد چنین امکاناتی.تصویربرداری چند پروانه اشعه ایکس (XMPI) یک تکنیک جدید است که اطلاعات حجمی را با استفاده از پالس های منفرد از چنین امکاناتی امکان پذیر می کند و از نیروهای سانتریفیوژ ناشی از روشهای سه بعدی حل شده زمان مانند توموگرافی حل شده زمان جلوگیری می کند.در نتیجه ، XMPI می تواند فیلم های سه بعدی (4D) حداقل سه سفارش از بزرگی را سریعتر از روش های فعلی بدست آورد.با این حال ، هیچ الگوریتمی نمی تواند 4D را از پیش بینی های بسیار پراکنده به دست آمده توسط XMPI بازسازی کند.در اینجا ، ما یک رویکرد مبتنی بر یادگیری عمیق (DL) را ارائه می دهیم که یاد می گیرد فیلم های سه بعدی (4D) را از تعداد بسیار محدودی از پیش بینی ها بازسازی کند.این مدل فیزیکی محاسباتی تعامل اشعه ایکس با روش و روشهای پیشرفته DL را ترکیب می کند.ما پتانسیل 4D-onix را برای تولید 4D با کیفیت بالا با تعمیم در آزمایشات متعدد با تنها دو پیش بینی در هر جدول زمانی برای برخورد قطرات باینری نشان می دهیم.ما تصور می کنیم که 4D-Onix به ابزاری فعال برای تجزیه و تحلیل 4D تبدیل خواهد شد و قطعنامه های جدید فضایی را برای مطالعه فرآیندهای قبل از آن فراهم می کند. |
دسته بندی موضوعات | Image and Video Processing,Data Analysis, Statistics and Probability,پردازش تصویر و فیلم ، تجزیه و تحلیل داده ها ، آمار و احتمال ، |
توضیحات | Submitted 17 January, 2024; originally announced January 2024. |
توضیحات به فارسی | ارسال شده 17 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد. |
توجه کنید این مقاله به زبان انگلیسی است. |
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسیها
هنوز بررسیای ثبت نشده است.