Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Super-resolution Fluorescence Microscopy01:37

Super-resolution Fluorescence Microscopy

Super-resolution fluorescence microscopy (SRFM) provides a better resolution than conventional fluorescence microscopy by reducing the point spread function (PSF). PSF is the light intensity distribution from a point that causes it to appear blurred. Due to PSF, each fluorescing point appears bigger than its actual size, and it is the PSF interference of nearby fluorophores that causes the blurred image. Various approaches to achieving higher resolution through SRFM have recently been developed.
Difference from Background: Limit of Detection01:05

Difference from Background: Limit of Detection

The limit of detection (LOD) is the smallest amount of analyte that can be distinguished from the background noise. The LOD value corresponds to the concentration at which the analyte signal is three times larger than the standard deviation of the blank signal. Below this value, the analyte signal cannot be differentiated from the background noise. It is calculated by dividing the calibration slope by 3 times the standard deviation of the blank signals.
The LOD indicates the presence or absence...
Deconvolution01:20

Deconvolution

Deconvolution, also known as inverse filtering, is the process of extracting the impulse response from known input and output signals. This technique is vital in scenarios where the system's characteristics are unknown, and they must be inferred from the observable signals.
Deconvolution involves several mathematical techniques to derive the impulse response. One common approach is polynomial division. In this method, the input and output sequences are treated as coefficients of...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Endocrine manifestations of Madelung disease: A rare case report presenting with life-threatening alcohol-related hypoglycemic coma.

Medicine·2026
Same author

A chromosome-level reference genome assembly of the King Ratsnake (Elaphe carinata).

Scientific data·2026
Same author

Real-time robust autofocus method enabling sustained intravital scanning light field imaging.

Nature communications·2026
Same author

Self-Sacrificial Sustained-Release Effects Synergistically Modulate Dual-Electrode Interfacial Chemistry in a Biphasic Electrolyte for Electrolytic Zn-MnO<sub>2</sub> Batteries.

ACS applied materials & interfaces·2026
Same author

Cell-type specific effects of SARS-CoV-2 P252L mutation on nirmatrelvir sensitivity.

Antiviral research·2026
Same author

1,6-Val₂GalNAz: An efficient metabolic chemical reporter for O-linked glycan labeling with minimal S-glyco modification.

Bioorganic chemistry·2026

Video Experimental Relacionado

Updated: Jun 8, 2026

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments
03:31

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

Published on: December 15, 2023

Límites de detección más profundos en imágenes astronómicas mediante la eliminación de ruido espaciotemporal

Yuduo Guo1,2,3, Hao Zhang1,2,3, Mingyu Li4

  • 1Department of Automation, Tsinghua University, Beijing, China.

Science (New York, N.Y.)
|February 19, 2026
PubMed
Resumen
Este resumen es generado por máquina.

El algoritmo de eliminación de ruido autosupervisado basado en transformadores astronómicos (ASTERIS) mejora la obtención de imágenes astronómicas corrigiendo el ruido correlacionado entre exposiciones. Esta técnica avanzada de eliminación de ruido mejora los límites de detección, revelando objetos celestes más débiles y candidatos a galaxias más distantes.

Palabras clave:
eliminación de ruidoaprendizaje autosupervisadoimágenes astronómicasJWSTSubarudetección de galaxias

Más Videos Relacionados

Whole-cell Super-Resolution Imaging via DNA-PAINT on a Spinning Disk Confocal with Optical Photon Reassignment
07:12

Whole-cell Super-Resolution Imaging via DNA-PAINT on a Spinning Disk Confocal with Optical Photon Reassignment

Published on: January 6, 2026

Videos de Experimentos Relacionados

Last Updated: Jun 8, 2026

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments
03:31

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

Published on: December 15, 2023

Whole-cell Super-Resolution Imaging via DNA-PAINT on a Spinning Disk Confocal with Optical Photon Reassignment
07:12

Whole-cell Super-Resolution Imaging via DNA-PAINT on a Spinning Disk Confocal with Optical Photon Reassignment

Published on: January 6, 2026

Área de la Ciencia:

  • Astronomía y Astrofísica
  • Procesamiento de imágenes
  • Aprendizaje automático

Sus antecedentes:

  • La obtención de imágenes astronómicas está limitada por el ruido, incluido el ruido correlacionado entre píxeles y exposiciones.
  • Los métodos de eliminación de ruido existentes luchan por corregir eficazmente los patrones de ruido espaciotemporal.

Objetivo del estudio:

  • Desarrollar y validar un novedoso algoritmo autosupervisado para la eliminación de ruido en imágenes astronómicas.
  • Mejorar los límites de detección y la sensibilidad de las observaciones astronómicas.

Principales métodos:

  • Se desarrolló el algoritmo de eliminación de ruido basado en transformadores autosupervisados astronómicos (ASTERIS), que integra información espaciotemporal de múltiples exposiciones.
  • Se realizó una evaluación comparativa con datos simulados para evaluar el rendimiento.
  • Se realizó una validación observacional utilizando datos de los telescopios James Webb Space Telescope (JWST) y Subaru.

Principales resultados:

  • ASTERIS mejora los límites de detección en 1,0 magnitud con un 90% de completitud y pureza.
  • El algoritmo preserva la función de dispersión de puntos y la precisión fotométrica.
  • Se identificaron características previamente indetectables, como estructuras de galaxias de bajo brillo superficial y arcos de lentes gravitacionales.
  • Aplicado a imágenes profundas de JWST, ASTERIS identificó tres veces más candidatos a galaxias con un corrimiento al rojo ≳ 9 que los métodos anteriores, con una luminosidad ultravioleta en reposo más débil.

Conclusiones:

  • ASTERIS representa un avance significativo en la eliminación de ruido de imágenes astronómicas.
  • El algoritmo permite el descubrimiento de objetos astronómicos más débiles y distantes.
  • ASTERIS tiene el potencial de revolucionar el análisis de las profundas prospecciones astronómicas.