Super resolution methods for depth estimation in light sheet light field microscopy

Abstract

In this Master's Thesis we explore enhanced depth estimation in light fields acquired with microscopes. We propose a neural network architecture for the production of novel angular views. We evaluate the performance of our method by comparing the precision of depth estimation in the HCI Light Field Benchmark of its state of the art algorithm when receiving regular vs. upsampled light fields. We demonstrate reductions in the error of depth estimation by up to 12-35 percentage points. Complementarily, we present an approach to increase angular resolution in light field microscopy by providing optical sectioning of the sample with light sheets from a digital micromirror device. We also present a Fourier optics model of pattern projection from the DMD to the sample by a tube lens and a microscope objective.

En esta tesis de maestría exploramos la estimación mejorada de profundidad en campos de luz adquiridos con microscopios. Proponemos una arquitectura de red neuronal para la predicción de nuevas vistas angulares. Evaluamos el desempeño de nuestro método comparando la precisión en la estimación de profundidad del algoritmo del estado del arte del HCI Light Field Benchmark al suministrarle campos de luz normales versus campos de luz a los que se les ha hecho upsampling angular. Demostramos reducciones en el error de la estimación de profundidad de hasta 12 a 35 puntos percentuales. Complementariamente, presentamos un método para incrementar la resolución en microscopía de campo de luz al hacer seccionamiento óptico de la muestra mediante hojas de luz producidas por un arreglo de microespejos (DMD). Además, presentamos un modelo de óptica de Fourier para la proyección de patrones del DMD a la muestra.