Publication

Optical Tomography Based On A Nonlinear Model That Handles Multiple Scattering

Michaël Unser, Demetri Psaltis, Ulugbek Kamilov, Alexandre Goy, Joowon Lim
2017
Conference Papers

Résumé

Learning Tomography (LT) is a nonlinear optimization algorithm for computationally imaging three-dimensional (3D) distribution of the refractive index in semi-transparent samples. Since the energy function in LT is generally non-convex, the solution it obtains is not guaranteed to be globally optimal. In this paper, we describe linear and nonlinear tomographic reconstruction methods and compare them numerically. We present a review of the LT and, in addition, we investigate the influence of the initialization and exemplify the effect of regularization on the convergence of the algorithm. In particular, we show that both are essential for high-quality imaging in strongly scattering scenarios.

Source officielle

https://infoscience.epfl.ch/entities/publication/2536d689-ff76-4602-8efb-d75cbc090c89

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Michaël Unser, Demetri Psaltis, Ulugbek Kamilov, Alexandre Goy, Joowon Lim
2017
Conference Papers

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/2536d689-ff76-4602-8efb-d75cbc090c89

À propos de ce résultat

Concepts associés (32)

Optimisation (mathématiques)

L'optimisation est une branche des mathématiques cherchant à modéliser, à analyser et à résoudre analytiquement ou numériquement les problèmes qui consistent à minimiser ou maximiser une fonction sur un ensemble. L’optimisation joue un rôle important en recherche opérationnelle (domaine à la frontière entre l'informatique, les mathématiques et l'économie), dans les mathématiques appliquées (fondamentales pour l'industrie et l'ingénierie), en analyse et en analyse numérique, en statistique pour l’estimation du maximum de vraisemblance d’une distribution, pour la recherche de stratégies dans le cadre de la théorie des jeux, ou encore en théorie du contrôle et de la commande.

Optimisation non linéaire

En optimisation, vue comme branche des mathématiques, l'optimisation non linéaire (en anglais : nonlinear programming – NLP) s'occupe principalement des problèmes d'optimisation dont les données, i.e., les fonctions et ensembles définissant ces problèmes, sont non linéaires, mais sont aussi différentiables autant de fois que nécessaire pour l'établissement des outils théoriques, comme les conditions d'optimalité, ou pour la bonne marche des algorithmes de résolution qui y sont introduits et analysés.

Constrained optimization

In mathematical optimization, constrained optimization (in some contexts called constraint optimization) is the process of optimizing an objective function with respect to some variables in the presence of constraints on those variables. The objective function is either a cost function or energy function, which is to be minimized, or a reward function or utility function, which is to be maximized.

Afficher plus

Publications associées (32)

Afficher plus

Optical Tomography Based On A Nonlinear Model That Handles Multiple Scattering

Chattez avec Graph Search

Dynamical Low-Rank Approximation for Stochastic Differential Equations

Monopoly Pricing with Unknown Demand

A ride time-oriented scheduling algorithm for dial-a-ride problems