Search research articles

お問い合わせ

JoVEについて

概要リーダーシップブログ JoVEヘルプセンター

著者向け

出版プロセス編集委員会範囲と方針査読よくある質問投稿

図書館員向け

推薦の声購読アクセスリソース図書館諮問委員会よくある質問

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments アーカイブ

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教員リソースセンター教員サイト

プライバシーポリシー

関連する概念動画

Super-resolution Fluorescence Microscopy

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 Detection

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...

Deconvolution

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...

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え

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

Search research articles

関連する実験動画

Updated: Jun 8, 2026

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

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

Published on: December 15, 2023

天文画像のより深い検出の限界は,自己監視の時空無音化を用いた天文画像です.

Yuduo Guo^1,2,3, Hao Zhang^1,2,3, Mingyu Li⁴

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

Science (New York, N.Y.)

|February 19, 2026

まとめ

この要約は機械生成です。

天文学的自己監視型トランスフォーマーベースのデノイジング (ASTERIS) アルゴリズムは,曝露の間の相関するノイズを修正することによって,天文学的イメージングを強化します. この高度なデノイジング技術により,検出限界が向上し,より薄暗い天体やより遠い銀河候補を明らかにします.

さらに関連する動画

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

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

Published on: January 6, 2026

関連する実験動画

Last Updated: Jun 8, 2026

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

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

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

Published on: January 6, 2026

科学分野:

天文学と天体物理学について
画像処理画像処理
機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

天文画像は,ピクセルと曝露間の相関するノイズを含むノイズによって制限されています.
既存の無音化方法は,時空的なノイズパターンを効果的に修正するのに苦労しています.

研究の目的:

天文画像デノイジングのための新しい自己監視アルゴリズムの開発と検証.
天文観測の検出限界と感度を改善する.

主な方法:

複数の曝露を介して時空情報を統合する,天文学的自己監督トランスフォーマーベースのDenoising (ASTERIS) アルゴリズムが開発されました.
性能を評価するために,模擬データでベンチマークが行われました.
観測的検証は,ジェームズ・ウェブ宇宙望遠鏡 (JWST) とスバル望遠鏡からのデータを使用して行われました.

主要な成果:

ASTERISは,90%の完全性と純度で検出限界を1.0マグニチュード改善します.
アルゴリズムはポイントスプレッド機能とフォトメトリックの精度を保ちます.
表面の明るさが低い銀河の構造や重力レンズの弧など,以前は検出できなかった特徴が特定されました.
深層のJWST画像に適用すると,ASTERISは赤道偏移の3倍以上を検出しました 9 銀河候補は,以前の方法よりも,弱い休憩フレーム紫外線光度で,以前の方法よりも.

結論:

ASTERISは,天文画像の解消における重要な進歩を表しています.
アルゴリズムは,より弱く,より遠い天文物体の発見を可能にします.
ASTERISは,深層天文調査の分析に革命をもたらす可能性がある.