MARC

 008260126s2025        us                              c    eng  d
■001000017359369
■00520260202105109
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297601178
■035    ▼a(MiAaPQ)AAI32236909
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a535
■1001  ▼aMarkley,  Eric.
■24510▼aData-Driven  Design  of  High-Dimensional,  Snapshot  Computational  Imaging  Systems
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a128  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Waller,  Laura.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aModern  imaging  systems  increasingly  rely  on  computational  methods  to  extract  high-dimensional  information  from  2D  optical  measurements.  Examples  include  snapshot  3D  microscopy  systems  that  capture  volumetric  data  in  a  single  exposure  and  hyperspectral  imagers  that  simultaneously  measure  spatial  and  spectral  information  across  dozens  of  wavelength  channels.  Designing  such  systems  is  challenging  because  it  requires  jointly  optimizing  both  the  optical  hardware  that  encodes  the  scene  and  the  computational  algorithms  that  decode  the  measurements,  a  process  complicated  by  the  non-convex,  high-dimensional  parameter  spaces  and  computationally  expensive  end-to-end  training  requirements.  In  this  dissertation,  we  present  data-driven  approaches  that  address  these  challenges  through  physics-based  simulation  and  information-theoretic  design  principles.  We  first  develop  a  memory-efficient,  end-to-end  pipeline  that  jointly  optimizes  optical  elements  and  neural  reconstruction  algorithms  using  differentiable  simulation,  demonstrating  this  method  on  a  snapshot  3D  fluorescence  microscope  that  achieves  improved  resolution  over  heuristic  designs.  We  then  present  a  compact  snapshot  hyperspectral  fluorescence  microscope  with  a  custom  iterative  reconstruction  algorithm  tailored  to  its  physical  model.To  overcome  the  computational  limitations  of  end-to-end  optimization  and  accommodate  non-differentiable  reconstruction  algorithms,  we  develop  an  information-theoretic  optimization  framework  that  treats  optical  design  as  a  mutual  information  maximization  problem.  This  approach,  implemented  through  the  IDEAL  and  IDEAL-IO  methods,  decouples  encoder  design  from  specific  reconstruction  implementations.  By  directly  maximizing  the  information  content  of  measurements  rather  than  optimizing  reconstruction  fidelity,  this  framework  provides  a  generalizable  design  principle  that  transcends  particular  decoder  architectures  while  reducing  the  computational  requirements  in  comparison  to  end-to-end  design.The  methods  developed  in  this  dissertation  demonstrate  that  principled,  simulation-driven  design  can  achieve  improved  performance  across  diverse  high-dimensional  imaging  modalities  while  maintaining  computational  tractability.
■590    ▼aSchool  code:  0028.
■650  4▼aOptics
■650  4▼aComputer  science
■650  4▼aBioinformatics
■650  4▼aMedical  imaging
■653    ▼aData-driven  design
■653    ▼aEnd-to-end  design
■653    ▼aInformation  theory
■653    ▼aOptimization
■653    ▼a3D  fluorescence  microscope
■690    ▼a0752
■690    ▼a0984
■690    ▼a0574
■690    ▼a0715
■71020▼aUniversity  of  California,  Berkeley▼bBioengineering.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359369▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서