HAZEMATCHING：ガイド付き条件付きフローマッチングによるデヘージング光学顕微鏡画像処理
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2506.22397v4 発表種別：差し替え
要旨：蛍光顕微鏡法は生命科学における科学技術進歩の主要な推進力である。高性能共焦点顕微鏡は焦点外の光を除去できるものの、より安価でアクセスしやすい広視野顕微鏡などではそれが不可能であり、その結果、画像データがぼやける。計算機による脱ぼかし処理は両者の利点を組み合わせ、安価な顕微鏡法でありながら鮮明な画像を得ようとする試みである。知覚歪みトレードオフは、データの忠実度（例：MSEの低さ、PSNRの高値）またはLPIPSやFIDなどの知覚的指標で測定されるデータの現実性を最適化できることを示している。既存の手法は、現実性を犠牲にして忠実度を優先するか、定量的精度に欠ける知覚的に説得力のある結果を生み出すかのどちらかである。本研究では、光学顕微鏡画像の脱ぼかしのための新規反復法であるHazeMatchingを提案する。これはこれらの目的を効果的に両立させる。我々の目標は、脱ぼかし結果の忠実度と個々の予測（サンプル）の現実性のバランスをとることだった。これは、条件付き速度場においてぼやけた観測値で生成過程を誘導することにより、条件付きフローマッチングフレームワークを適用することで実現した。合成データと実データの両方を含む5つのデータセットでHazeMatchingを評価し、歪みと知覚品質の両方を評価した。我々の手法は7つのベースラインと比較され、平均して忠実度と現実性のバランスを常に達成した。さらに、較正分析により、HazeMatchingは良好に較正された予測を行うことを示した。なお、本手法は明示的な劣化演算子の存在を必要とせず、実顕微鏡データへの適用が容易である。訓練と評価に使用したすべてのデータとコードは、許諾しやすいライセンスの下で公開される。
原文（英語）を表示
Title (EN): HAZEMATCHING: Dehazing Light Microscopy Images with Guided Conditional Flow Matching
arXiv:2506.22397v4 Announce Type: replace-cross
Abstract: Fluorescence microscopy is a major driver of scientific progress in the life sciences. Although high-end confocal microscopes are capable of filtering out-of-focus light, cheaper and more accessible microscopy modalities, such as widefield microscopy, can not, which consequently leads to hazy image data. Computational dehazing is trying to combine the best of both worlds, leading to cheap microscopy but crisp-looking images. The perception-distortion trade-off tells us that we can optimize either for data fidelity, e.g. low MSE or high PSNR, or for data realism, measured by perceptual metrics such as LPIPS or FID. Existing methods either prioritize fidelity at the expense of realism, or produce perceptually convincing results that lack quantitative accuracy. In this work, we propose HazeMatching, a novel iterative method for dehazing light microscopy images, which effectively balances these objectives. Our goal was to find a balanced trade-off between the fidelity of the dehazing results and the realism of individual predictions (samples). We achieve this by adapting the conditional flow matching framework by guiding the generative process with a hazy observation in the conditional velocity field. We evaluate HazeMatching on 5 datasets, covering both synthetic and real data, assessing both distortion and perceptual quality. Our method is compared against 7 baselines, achieving a consistent balance between fidelity and realism on average. Additionally, with calibration analysis, we show that HazeMatching produces well-calibrated predictions. Note that our method does not need an explicit degradation operator to exist, making it easily applicable on real microscopy data. All data used for training and evaluation and our code will be publicly available under a permissive license.
Published: 2025-09-24 19:00 UTC