Filtering Pixel Latent Variables for Unmixing Volumetric Images

不同重叠组分的测量需要强大的解混算法将原始的多维测量转换为有用的解混图像。当原始信号完全解析并包含足够的信息来适应原始分布上的曲线时，这些算法可以可靠地分离组分。在实验物理学中，测量通常存在噪声、欠采样或空间或光谱上未解决的情况。我们提出了一种新方法，其中将带通滤波器应用于多维卷积神经网络的潜在空间中，以分离重叠的信号组分并提取它们的相对贡献。使用多维卷积核同时处理所有维度使网络能够结合相邻像素和时间或光谱区间的信息，在像素缺乏良好解析信息的情况下促进组分分离。我们使用荧光寿命显微镜和光纤模分解作为测试案例，展示了该方法在实际物理实验问题中的适用性。我们的方法成功应用于这两个不同的实验案例，其特征是具有不同的测量分布，凸显了我们的方法在处理各种成像任务方面的多功能性。

本论文旨在解决实验物理中由于噪声、采样不足或空间/频谱上不足以完全解析的原始信号，导致多维度测量结果重叠的问题。

该论文提出一种新方法，利用多维卷积神经网络的潜在空间中的带通滤波器来分离重叠的信号成分，并提取各自的相对贡献。这种方法通过多维卷积核同时处理所有维度，从而将相邻像素和时间/频率间隔的信息组合起来，从而在像素信息不完全解析的情况下实现组件分离。

该方法在荧光寿命显微镜和光纤模分解等实验物理问题中得到了成功应用，展示了其在解决各种成像任务中的通用性。此外，该论文提供了数据集和开源代码，使得进一步研究变得更加容易。

最近的相关研究包括使用深度学习方法进行图像分割和去噪等任务的研究。