R2D2-GAN: 顕微鏡ハイパースペクトル画像超解像のための堅牢なデュアルディスクリミネータ生成的敵対ネットワーク

高解像度の顕微鏡ハイパースペクトル（HS）画像は、非常に詳細な空間的およびスペクトル情報を提供し、生物組織をミクロスケールで特定し分析することを可能にします。最近、多大な努力がHS画像の解像度を、空間解像度の高い多スペクトル（MS）画像を活用することによって向上させることに捧げられています。しかし、固有のハードウェア制約により、HS画像とMS画像の間に著しい分布ギャップが生じ、バイオメディカル分野における画像超解像に課題をもたらしています。この不一致は、カメラの撮影原理の違い（例えば、スナップショット撮影とプッシュブルーム撮影）、撮影位置、ノイズ干渉の存在など、さまざまな要因から生じる可能性があります。これらの課題に対処するために、R2D2-GANと呼ばれる独自の教師なし超解像フレームワークを導入しました。このフレームワークは生成的敵対ネットワーク（GAN）を利用して、二つのデータモダリティを効率的に統合し、顕微鏡HS画像の解像度を向上させます。従来の教師ありアプローチは、平均二乗誤差（MSE）などの直感的で感受性の高い損失関数に依存してきました。私たちの方法は、実世界の教師なし設定で訓練され、二つのモダリティにおける一貫した情報を活用することから恩恵を受けます。これは、固定された訓練戦略に依存するのではなく、ゲーム理論的戦略と動的敵対的損失を用いています。さらに、R2D2-GANの堅牢性を向上させることを目指して、中央一貫性正則化（CCR）モジュールを付加しました。実験結果は、提案した方法が超解像画像に対して正確で堅牢であることを示しています。私たちは、提案した方法を実際のデータセットと合成データセットの両方で特にテストし、他の最先端の手法と比較して有望な結果を得ました。