Réunion
Journées modèles proxy et co-conception : capteurs hybrides et algorithmes pour des systèmes innovants
Axes scientifiques :
- Imagerie computationnelle
GdRs impliqués :
Organisateurs :
- - Pauline Trouvé-Peloux (ONERA - DTIS)
- - Andres Almansa (MAP5)
- - Marie-Anne Burcklen (LFCIO)
- - Antoine Monmayrant (LAAS)
- - Pierre Weiss (IRIT)
Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.
La réunion sera également accessible en distanciel mais l'inscription est obligatoire
Inscriptions
15 personnes membres du GdR IASIS, et 21 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 110 personnes. Nombre d'inscrits en présentiel : 27 ; Nombre d'inscrits en distanciel : 9
83 Places restantes
Annonce
Cette journée est co-organisée par le RT MAIAGES, le GDR IASIS et le GDR Ondes.
La journée du GT3 du GDR Ondes «Modèle proxy pour la simulation, la conception ou l’inversion de modèles complexes» est couplée à la 9ème édition de la journée sur la «Co-conception : capteurs hybrides et algorithmes pour des systèmes innovants» des GdR IASIS et RT MAIAGES.
Les modèles proxy sont devenus des outils versatiles pour comprendre, optimiser et inverser des modèles complexes. Ils peuvent s’inscrire dans une démarche de co-conception d’instruments reposant souvent sur une approche pluridisciplinaire pour modéliser et optimiser simultanément les paramètres de l’instrument et les traitements numériques en tenant compte des contraintes de l’application visée.
Les deux journées couplées auront lieu à l’Institut Henri-Poincaré à Paris les 15 et 16 Septembre 2025. La journée du 15 Septembre, dédiée aux modèles proxy, aura lieu entre 10h30 et 18h avec comme orateurs invités Fanny Lehmann, Philipp del Hougne, Pieter Wiecha et Raphaël Pestourie.
La journée du 16 Septembre, dédiée à la co-conception, se déroulera entre 9h30 et 17h avec comme orateurs invités Alexandra Fragola, Anne Sentenac, Loïc Le Goff, Josselin Garnier et Julien Mairal.
L’objectif de cette rencontre est de favoriser les échanges autour de l’imagerie computationnelle au sens large entre tous les acteurs (industriels, académiques) de toutes les disciplines intéressées, notamment les mathématiques appliquées, le traitement numérique d’images, l’optique, et l’instrumentation. Nous souhaitons favoriser les échanges sur des nouvelles approches pluridisciplinaires au travers :
- de présentations orales,
- de posters,
- de démonstrations,
- de discussions informelles.
Ces deux journées sont ouvertes à plusieurs thématiques, qui comprennent entre autres :
- La modélisation et la simulation des systèmes (e.g. équations de la physique, modèles proxy, …)
- Les principes de co-conception (optimisation jointe du système et des algorithmes)
- Les nouvelles modalités d’imagerie non-conventionnelle (imagerie super-résolutive, multi-modale, cohérente, 3D, photographie computationnelle, …)
- Les algorithmes de reconstruction (inversion, IA supervisée et non supervisée, …).
Appel à contributions :
Merci de nous faire parvenir vos propositions en spécifiant le format de présentation préféré (oral, poster) en remplissant le sondage au plus tard avant le 06 Juillet 2025 21 juillet 2025. Les propositions et exposés sont acceptés aussi bien en français qu’en anglais. Pour faciliter la participation du public non-francophone nous encourageons si possible l’anglais pour le titre et le résumé, ainsi que les planches de votre présentation.
Et pour rappel, l’inscription obligatoire pour tous les participants sur le site du GdR IASIS.
Lors de l’inscription, il pourra vous être proposé de faire une demande de prise en charge des frais de transport. Dans ce cas, l’ensemble des informations nécessaires doivent être transmises au GdR avant le 1er septembre.
Orateurs et oratrices
Le 15 Septembre :
- Philipp del Hougne, CNRS, Université de Rennes 1, Physics-based digital twins for reconfigurable wave systems
- Fanny Lehmann, ETH AI Center, Zurich, Des opérateurs de neurones aux modèles de fondation : Scientific Machine Learning pour les phénomènes de propagation en sciences de la Terre
- Raphaël Pestourie, Georgia Tech, Atlanta, USA, ML-enhancement of simulation and optimization in electromagnetism
- Pieter Wiecha, LAAS-CNRS, Toulouse, Surrogate models for nano-optics and photonics
Le 16 Septembre :
- Josselin Garnier, Ecole Polytechnique, Reduced order model approach for imaging with wave
- Alexandra Fragola, Université Paris-Saclay (TBA)
- Julien Mairal, Inria Université de Grenoble, Physical Models and Machine Learning for Scientific Imaging
- Anne Sentenac, Loïc Le Goff, Institut Fresnel (TBA)
Organisateurs et organisatrices
- Andrés Almansa (CNRS – MAP5, Université Paris Cité)
- Marie-Anne Burcklen (Laboratoire Charles Fabry – Institut d’Optique)
- Thomas Fromenteze (XLIM, Université de Limoges)
- Pauline Trouvé-Peloux (ONERA, DTIS)
- Antoine Monmayrant (LAAS, Toulouse)
- Pierre Weiss (IRIT, Toulouse)
Programme
Durée des exposés : 15 minutes + 5 minutes de questions
Programme de la journée du 15 Septembre
10h Accueil et Introduction
10h30 - 11h35: Session 1 - Systèmes multi-capteurs
10h30 - 11h15 : Présentation invitée Physics-based digital twins for reconfigurable wave systems Philipp del Hougne, CNRS, Université de Rennes 1
11h15 - 11h35 : Étalonnage en ligne de capteurs pour l'estimation collaborative de paramètres de mesure, Imane Meddour, CEA List, Grenoble
11h35 - 13h : Déjeuner & Session Posters – Lunch & Poster Session
13h - 14h05 : Session 2 - Systèmes photoniques
13h - 13h45 : Présentation invitée Surrogate models for nano-optics and photonics, Peter Wiecha, LAAS-CNRS, Toulouse
13h45 - 14h05 : Self-Organized Freeform Waveguiding, Fadhila Chehami, XLIM, Limoges
14h05 - 14h35 : Pause café et posters
14h35 - 15h40 : Session 3 - Propagation et imagerie
14h35 - 15h20 : Présentation invitée Des opérateurs de neurones aux modèles de fondation : Scientific Machine Learning pour les phénomènes de propagation en sciences de la Terre, Fanny Lehmann, ETH AI Center, Zurich
15h20 - 15h40 : Differentiable ray-tracer and information gain used for coded hyperspectral systems co-design, Léo Paillet, LAAS, Toulouse
15h40 - 16h45 : Session 4 - Métasurfaces
15h40 - 16h25 : Présentation invitée ML-enhancement of simulation and optimization in electromagnetism, Raphaël Pestourie, Georgia Tech, USA,
16h25 - 16h45 : Design and Morphogenetic Synthesis of Metasurface Antennas, Uche Chidinma, XLIM, Limoges
16h45 - 17h15 : Discussions libres
17h15 : Fin de la Journée
Programme de la journée du 16 Septembre
8h30 - 9h : Accueil et Introduction
9h - 11h30 : Session 1 - Correction adaptative
9h - 9h45 : Présentation invitée (TBA) Alexandra Fragola, Université Paris-Saclay
9h45 - 10h05 : End to end design of wavefront sensor and reconstruction using neural network, Franscisco Oyarzun, Pauline Trouvé-Peloux, Frédéric Champagnat, Thierry Fusco et Benoît Neichel, LAM, Marseille
10h05 - 10h25 : Stratégie de co-conception pour les systèmes d’optique adaptative : application à l’optimisation des longueurs d’onde pour l’observation de satellites, Florian Cheyssial, Laurent Mugnier, Cyril Petit, ONERA, Châtillon
10h25 - 11h10 : Pause café et session posters
11h10 -11h30 : Apprentissage pour l’identification et la correction adaptative de la PSF en microscopie, Florian Sarron, IRIT, Toulouse
11h30 - 12h15 : Session 2 - Réduction de modèles
11h30 - 12h15 Présentation invitée Reduced order model approach for imaging with wave, Josselin Garnier, Ecole Polytechnique, France.
12h15 - 14h Déjeuner & Session Posters – Lunch & Poster Session
14h - 15h45 : Session 3 - Microscopie
14h - 15h25 Présentations invitées conjointe Anne Sentenac et Loïc Le Goff (TBA)
15h25 - 15h45 : Inverse problem approaches for the reconstruction of mouse brain tissues with multi-beam scanning transmission electron microscopy, Dylan Brault1, Maria Kormacheva1, Arent Kievits1, Tatiana Latychevskaia1,2, Adrian Wanner1
1PSI Center for Life Sciences, 5232 Villigen PSI, Switzerland
2Department of Physics, University of Zurich, Winterthurerstrasse 190, 8057 Zurich, Switzerland
15h45 - 16h05 : Pause café et session posters
16h05 - Session 4 : Apprentissage et modèles physiques
16h05 - 16h50 : Présentation invitée Julien Mairal, Physical Models and Machine Learning for Scientific Imaging, INRIA Grenoble
16h50 - 17h10 : An Equivariant Self-Supervised VAE for Uncertainty Quantification in Bayesian Imaging Problems, Bernardin Tamo UPCité / Heriot Watt.
17h10 - 18h : Discussions libres
18h : Fin de la Journée
Résumés des contributions
Présentations invitées
Philipp del Hougne, CNRS, Université de Rennes 1, Physics-based digital twins for reconfigurable wave systems
Optimizating a reconfigurable wave system (e.g., reconfigurable intelligent surface, dynamic metasurface antenna, physical neural network) for a desired functionality is generally challenging because the effects of the tunable degrees of freedom are intertwined. In fact, the stronger the coupling between the tunable entities is, the more control reconfigurable wave systems offer over their transfer function. In this talk, I will discuss our recent efforts to formulate and calibrate physics-based models of reconfigurable wave systems. I will present closed-form and gradient-descent-based methods to calibrate the parameters of such models so that they can serve as digital twins for a priori unknown experimental reconfigurable wave systems, including a calibration method compatible with intensity-only detection. I will carefully explore the role of ambiguities in these physics-based digital twins, clarifying in what scenarios ambiguities need to be lifted and how that can be achieved. By comparison with physics-agnostic digital twins, I will highlight the favorable inductive bias of physics-based models. Once calibrated, these physics-based digital twins enable efficient in-software optimization of the reconfigurable wave system’s configuration for a desired functionality without further access to the experimental system. I will share insights into efficient optimization algorithms, notably for systems with few-bit programmable degrees of freedom.
Fanny Lehmann, ETH AI Center, Zurich, Des opérateurs de neurones aux modèles de fondation : Scientific Machine Learning pour les phénomènes de propagation en sciences de la Terre
Le Scientific Machine Learning a émergé comme un domaine à la frontière entre apprentissage automatique et simulation numérique pour construire des méta-modèles innovants. Inspirés par des principes physiques mais également capables de traiter une grande quantité de données d’entraînement, ces méta-modèles sont particulièrement pertinents pour résoudre des problèmes complexes de propagation d’ondes.
Dans cet exposé, je présenterai les opérateurs de neurones de Fourier appliqués à la propagation des ondes sismiques en trois dimensions. La rapidité du méta-modèle rend possible des approches bayésiennes inatteignables avec des solveurs numériques et j’illustrerai une application concrète pour la quantification d’incertitudes sur le séisme du Teil (Ardèche, 2019).
Dans les domaines où de grandes quantités de données sont disponibles, les méta-modèles sont étendus aux modèles de fondation pour capturer les propriétés intrinsèques du système physique. Je montrerai les bénéfices de ces modèles pour transférer l'information d'un problème physique à l'autre et ainsi diminuer les coûts de l'entraînement.
Raphaël Pestourie, Georgia Tech, USA ML-enhancement of simulation and optimization in electromagnetism,
Full-wave simulations of large-scale electromagnetic devices—spanning thousands of wavelengths while featuring sub-wavelength geometrical details—pose significant computational challenges. These simulations are critical in the design and optimization of metamaterials, where resolving fine-scale features is essential to predict macroscopic behavior accurately. In this talk, we present a specific use case where surrogate models are used to accelerate full-wave simulations of optical metasurfaces, thereby enabling iterative optimization loops that would otherwise be prohibitively expensive. We present scientific machine learning approaches for training these surrogate models to increase both the speed of evaluation and the data efficiency. Beyond surrogate modeling, we also demonstrate how machine learning can enhance optimization tasks independently of the underlying solver. In particular, we highlight methods for learning representations of the design space and guiding the search toward optimal configurations, thus improving the overall efficiency of the design process.
Pieter Wiecha, LAAS-CNRS, Toulouse, Surrogate models for nano-optics and photonics
Proxy models are becoming increasingly important for data-driven modelling in nano-optics and photonics. Dependent on the complexity of a system, simulations of nano-photonic devices can be very expensive. Data-based surrogate models are therefore very interesting for acceleration of slow simulations in time-critical applications. In particular, the rapid solution of ill-posed inverse problems can be tackled with the help of proxy models. Another strength of proxy models is the possibility of gradient calculations via automatic differentiation. In this context, I will discuss the potential of proxy models for optimization problems as well as the use of physics informed deep learning methods for improving nano-photonics proxy models.
Julien Mairal, INRIA Grenoble, Physical Models and Machine Learning for Scientific Imaging
Abstract: Deep learning has transformed image processing, often surpassing traditional methods that rely on precise modeling of optical image formation. In this presentation, we explore the synergy between model-based and learning-based approaches, highlighting the potential of hybrid methods for scientific imaging—an area where interpretability, robustness to real-world degradations, and the scarcity of ground truth data pose major challenges. We will showcase several applications, from high-contrast direct imaging for exoplanet detection to molecular-scale microscopy, illustrating how these hybrid strategies can push the boundaries of what is achievable in complex imaging scenarios.
Bio: Julien Mairal is a research director at Inria Grenoble, where he leads the Thoth research team. He joined Inria in 2012 following a postdoctoral position in the statistics department at UC Berkeley. He holds a Ph.D. from École Normale Supérieure de Cachan. His research spans machine learning, computer vision, mathematical optimization, and statistical image and signal processing. He has received several distinctions, including the Cor Baayen Award in 2013, the IEEE PAMI Young Researcher Award in 2017, and an ICML Test-of-Time Award in 2019. He was also awarded an ERC Starting Grant in 2016 and a Consolidator Grant in 2023.
Présentations orales
Differentiable ray-tracer and information gain used for coded hyperspectral systems co-design
Auteur·rice : Léo Paillet • LAAS-CNRS, IRAP • lpaillet@laas.fr
Co‑auteurs : Léo Paillet, Antoine Rouxel, Hervé Carfantan, Simon Lacroix, Antoine Monmayrant
Résumé :
We developed a differentiable ray-tracing optics simulator based on PyTorch and a framework previously designed for systems with axial symmetry. We extended this framework to non-symmetric systems and a wider variety of optical elements and systems. We believe that such a tool is particularly well suited to a co-design approach. We use this simulator to model a Coded Aperture Snapshot Spectral Imager (CASSI) for coded hyperspectral imagery. These systems employ a coded aperture (mask) to modulate the 3D hyperspectral scene, resulting in a 2D acquisition. We then adapted existing state-of-the-art unrolling reconstruction algorithms to solve the inverse problem of recovering scenes from coded acquisitions. We demonstrated that CASSI systems using the same mask but inducing different distortions can reconstruct scenes with similar performance, provided that the distortions are correctly modeled and accounted for. Therefore, we can say that the encoded information is constant regardless of distortions but depends on the mask. Thanks to the differentiability of our simulator, all its parameters—especially the mask—can be optimized with respect to a downstream loss function, leading to co-design. As reconstruction times are prohibitive in our high-dimensional use case, we attempt to bypass reconstruction by optimizing the mask to maximize the information gain that quantifies the information of the scene encoded in the acquisition. We hypothesize that an increase in information gain will lead to better processing performance, with a significant reduction in optimization time.
Self-Organized Freeform Waveguiding
Fadhila Chehami • Laboratoire XLIM, Université de Limoges • fadhila.chehami@unilim.fr
Co‑auteurs : Cyril Decroze, David R. Smith, Thomas Fromentèze
Résumé :
Nature offers remarkable examples of complex photonic architectures such as those responsible for the iridescent colors of butterfly wings that emerge spontaneously during growth, well before any centralized control takes place. Arising from local rules, these structures exhibit advanced optical functionalities, such as photonic band gaps, without relying on in-situ optimization or top-down design. Inspired by biological morphogenesis, we introduce an optimization-free approach for the automated generation of self-organized freeform waveguides that adapt to complex propagation paths. Our method relies on local reaction-diffusion dynamics to produce robust, spatially distributed structures. In contrast to conventional waveguides based on periodic media, which impose strong geometric constraints and require extensive fine-tuning, the proposed structures support nontrivial geometries while maintaining photonic band gap behavior. We experimentally demonstrate that these self-organized waveguides achieve superior transmission efficiency along complex paths. This optimization-free strategy enables the automated design of advanced electromagnetic components with intrinsic adaptability and resilience.
Single-shot quantitative polarimetric wavefront imaging
Auteur·rice : Grégoire Lelu • SPPIN – CNRS UMR 8003 • gregoire.lelu@u-paris.fr
Co‑auteurs : Baptiste Blochet, Grégoire Lelu, Miguel A. Alonso, Marc Guillon
Résumé :
Phase and polarimetric imaging are separately used in many application fields in microscopy. Polarized-resolved imaging can provide information about structural anisotropy at the molecular scale and is typically used for gems characterization in geology, healthy tissues identification in cancerology or fluorophore orientation determination in super-resolution microscopy. Phase imaging gives access to the height profile of reflecting surface samples and the optical path difference through samples. In cell biology, the optical path difference has been shown to be proportional to the dry mass and thus allows monitoring the metabolism of cells.
Here, we introduce a polarimetric wavefront imager that provides both the phase and the full-Stokes polarimetric images in a single acquisition of a multiplexed image. The device, composed of a birefringent Hartmann mask placed in the close vicinity of a camera, is first calibrated by recording images obtained when illuminating with beams of known polarization state. Then a single intensity image of a sample is recorded and demultiplexed thanks to a numerical inversion step to retrieve the full-Stokes polarization information and the optical path difference.
Presentation based on the work in the paper: Baptiste Blochet, Grégoire Lelu, Miguel A. Alonso, and Marc Guillon, “Quantitative polarimetric wavefront imaging,” Optica 12, 907–913 (2025).
Design and Morphogenetic Synthesis of Metasurface Antennas
Auteur·rice : Chidinma Nnekwu Uche • University of Limoges, CNRS, XLIM, UMR 7252, France • chidinma_nnekwu.uche@unilim.fr
Co‑auteurs : Nasibeh Parsaei, Cyril Decroze, Thomas Fromentèze
Résumé :
This contribution explores a morphogenetic approach for the design of self-organized metasurface antennas, offering high gain and wide bandwidth for applications such as satellite communications. Drawing inspiration from Alan Turing's foundational work on morphogenesis, we employ a reaction-diffusion model to synthesize and structure meta-atoms without relying on gradient-based optimization. This method enables the self-organization of anisotropic subwavelength elements, allowing for precise electromagnetic control at the macroscopic scale. Furthermore, the integration of controlled disorder into the meta-atom arrangement enhances the antenna’s homogenization and radiation performance. This work offers a promising route to simplified, scalable, and high performance metasurface antenna design.
Étalonnage en ligne de capteurs pour l'estimation collaborative de paramètres de mesure
Auteur·rice : Imane Meddour • CEA – List, Université Paris‑Saclay • imane.meddour@cea.fr
Co‑auteurs : Imane Meddour; Andréa Macario Barros; Cédric Gouy‑Pailler
Résumé :
L'étalonnage joue un rôle fondamental dans la qualité des mesures fournies par les capteurs. Cependant, dans des environnements réels et non contrôlés, les méthodes géométriques classiques montrent rapidement leurs limites face aux dérives, incertitudes et conditions variables. Dans ce travail, nous proposons une méthode d’étalonnage en ligne, basée sur l’apprentissage profond, capable d’estimer et de corriger les paramètres de mesure sans calibration préalable en laboratoire. Cette approche exploite la collaboration entre capteurs hétérogènes, combinant plusieurs modalités pour une acquisition multi‑capteurs robuste.
Elle vise à renforcer la précision et l’adaptabilité du système dans des conditions réelles, tout en s’intégrant efficacement dans des architectures embarquées à ressources limitées. Cette solution facilite le déploiement à grande échelle de systèmes intelligents et distribués.
An Equivariant Self-Supervised VAE for Uncertainty Quantification in Bayesian Imaging Problems
Auteur·rice : Bernardin Tamo Amougou • MAP5, Université Paris Cité • bernardin.tamo-amougou@etu.u-paris.fr
Co‑auteurs : Andrés Almansa; Marcelo Pereyra
Résumé :
Imaging problems are often ill‑posed, leading to significant uncertainty about their solutions. Accurately quantifying this uncertainty is critical for rigorous interpretation of experimental results and for reliably using reconstructed images as quantitative evidence. Unfortunately, existing Bayesian imaging methods cannot quantify uncertainty in a manner robust to experiment replications.
We introduce a new uncertainty‑quantification methodology based on an equivariant formulation of variational auto‑encoders that leverages the symmetries and invariance properties commonly encountered in imaging. The approach is fully self‑supervised and can be trained from observed data alone, enabling accurate data‑driven uncertainty quantification even when no ground‑truth data are available. Numerical experiments demonstrate the advantages of the proposed method over alternatives.
Apprentissage pour l’identification et la correction adaptative de la PSF en microscopie
Auteur·rice : Florian Sarron • IRIT / CBI, Université de Toulouse • florian.sarron@irit.fr
Co‑auteurs : Florian Sarron; Minh Hai Nguyen; Paul Escande; Pierre Weiss
Résumé :
L'identification précise de la fonction d'étalement du point (PSF) est essentielle pour améliorer la qualité des reconstructions en microscopie à fluorescence. Nous présentons ici une approche reposant sur l’apprentissage statistique pour estimer automatiquement la PSF à partir des images acquises, sans recourir à des billes fluorescentes ou à des procédures d’étalonnage spécifiques. Cette estimation automatique permet non seulement d'améliorer la qualité de la reconstruction numérique, mais s’inscrit dans une perspective plus large de co‑conception, où l’identification de la PSF pourrait, à terme, piloter dynamiquement des éléments adaptatifs du système (miroir déformable, position d’éléments optiques), afin de corriger en temps réel les dégradations instrumentales.
Cette contribution mettra l’accent sur la méthodologie d’identification, les résultats obtenus et la quantification des performances sur des données de simulations et des données réelles où la PSF induite est connue.
Inverse problem approaches for the reconstruction of mouse brain tissues with multi-beam
scanning transmission electron microscopy, Dylan Brault1, Maria Kormacheva1, Arent Kievits1, Tatiana Latychevskaia1,2, Adrian Wanner1
1PSI Center for Life Sciences, 5232 Villigen PSI, Switzerland
2Department of Physics, University of Zurich, Winterthurerstrasse 190, 8057 Zurich, Switzerland
Existing volume electron microscopy (vEM) imaging methodologies [1,2] depend on the laborious and error-prone process of sectioning and accumulating thousands of ultrathin serial sections (30–40 nm). Artifacts arising from ultrathin serial sectioning, such as section loss, cracks, and folds, account for over 70% of errors in contemporary automated neuron segmentation algorithms. To address these artifacts, a novel vEM method was developed, involving the preparation of semi-thin sections, approximately 250 nm thick, followed by iterative thinning of each section using a broad ion beam (BIB). Following each milling iteration, a projection image of the remaining semi-thin section is acquired using multi-beam scanning transmission electron microscopy (mSTEM) [3]. With this technique, the microscope does not directly record the sample's 3D structure because the projection image of the lower layers superimposes on the images of the top layers of the volume. These projection artifacts consequently introduce errors into the segmentation of neurons in the imaged 3D volume. It is therefore necessary to use advanced reconstruction algorithms to recover a highresolution 3D volume that untangles the contribution of each layer in the signal.
High-resolution reconstruction that aligns with physics is achieved within the inverse problems approach framework by accurately modeling image formation and leveraging prior sample knowledge with regularization techniques. This study presents an application of this inverse problem framework for the reconstruction of mSTEM data of mouse brain tissues acquired with our mSTEM microscope.
[1] Eberle, A. L. et al. High-resolution, high-throughput imaging with a multibeam scanning electron microscope. J. Microsc. 259, 114–120 (2015)
[2] Maniates-Selvin, J. T. et al. Reconstruction of motor control circuits in adult Drosophila using automated transmission electron microscopy. bioRxiv 2020.01.10.902478 (2020)
[3] Ren, Y. & Kruit, P. Transmission electron imaging in the Delft multibeam scanning electron microscope 1. J. Vac. Sci. Technol. B, Nanotechnol. Microelectron.: Mater., Process., Meas., Phenom.
34, 06KF02 (2016).
Session poster
Auteur·rice : Grégoire Lelu • SPPIN – CNRS UMR 8003
Co‑auteurs : Baptiste Blochet, Grégoire Lelu, Miguel A. Alonso, Marc Guillon
Résumé : Phase and polarimetric imaging are separately used in many application fields in microscopy. Polarized-resolved imaging can provide information about structural anisotropy at the molecular scale and is typically used for gems characterization in geology, healthy tissues identification in cancerology or fluorophore orientation determination in super-resolution microscopy. Phase imaging gives access to the height profile of reflecting surface samples and the optical path difference through samples. In cell biology, the optical path difference has been shown to be proportional to the dry mass and thus allows monitoring the metabolism of cells. Here, we introduce a polarimetric wavefront imager that provides both the phase and the full-Stokes polarimetric images in a single acquisition of a multiplexed image. The device, composed of a birefringent Hartmann mask placed in the close vicinity of a camera, is first calibrated by recording images obtained when illuminating with beams of known polarization state. Then a single intensity image of a sample is recorded and demultiplexed thanks to a numerical inversion step to retrieve the full-Stokes polarization information and the optical path difference. Presentation based on the work in the paper: Baptiste Blochet, Grégoire Lelu, Miguel A. Alonso, and Marc Guillon, “Quantitative polarimetric wavefront imaging,” Optica 12, 907– 913 (2025).
Wen Ruan, Laboratoire Charles Fabry
Thomas Lebrat, Photonics Bretagne
Oihan Joyot, IRIT, Toulouse