|
シングルピクセルイメージングを劇的に高精細化するための手法の開発を進めている。本研究課題では、画像を一次元毎に分割し、計測および再構成する手法に取り組んでいる。すでに、 2019年度に目標値である 100万画素のイメージングを実験的に実現している。 2020年度は、さまざまな光イメージングに適用が進んでいる深層学習の導入について検討を進めた。また、シングルピクセルイメージングの特性を利用した微弱光計測についても調査した。
深層学習の適用については、多数の学習データが必要となること、および学習に要する計算時間といった問題がある。そこで、深層学習モデルの出力を２次元画像から、提案手法の特性を活かして画像の行成分に分割する方法を考案し、その効果を検証している。この方法において、画素数がN×Nである画像を再構成するためのネットワークモデルの出力データ数を従来のN×NからNに削減できる。このことからネットワーク構造を簡素化できる可能性がある。この方法を数値解析で検証した結果、画像再構成の精度が従来手法と比較して向上したこと、学習時間が大幅に削減されることを確認できた。さらに、提案手法では、１枚の学習画像からN個の学習データを抽出できる。このことは、学習過程におけるデータ量削減の効果もあることを示せた。このことにより画素数を２倍ほど拡張できる可能性を示唆している。さらに、近年注目をあつめている敵対的生成ネットワークモデルについも導入した。しかし、現状において、このネットワークの堅調な有用性は示せなかった。
微弱光イメージングの効果については、計測データのダイナミックレンジと再構成画像の画質の関係について数値解析による評価を行なった。この場合においても深層学習が微弱照明下のイメージングにおいて画質向上に寄与することを確認することができた。
|
