The advent of inexpensive digital image sensors and the ability to create photographs that combine information from a number of sensed images are changing the way we think about photography. In this paper, we describe a unique array of 100 custom video cameras that we have built, and we summarize our experiences using this array in a range of imaging applications. Our goal was to explore the capabilities of a system that would be inexpensive to produce in the future. With this in mind, we used simple cameras, lenses, and mountings, and we assumed that processing large numbers of images would eventually be easy and cheap. The applications we have explored include approximating a conventional single center of projection video camera with high performance along one or more axes, such as resolution, dynamic range, frame rate, and/or large aperture, and using multiple cameras to approximate a video camera with a large synthetic aperture. This permits us to capture a video light field, to which we can apply spatiotemporal view interpolation algorithms in order to digitally simulate time dilation and camera motion. It also permits us to create video sequences using custom non-uniform synthetic apertures.

Image blur is caused by a number of factors such as motion, defocus, capturing light over the non-zero area of the aperture and pixel, the presence of anti-aliasing filters on a camera sensor, and limited sensor resolution. We present an algorithm that estimates non-parametric, spatially-varying blur functions (i.e., point-spread functions or PSFs) at subpixel resolution from a single image. Our method handles blur due to defocus, slight camera motion, and inherent aspects of the imaging system. Our algorithm can be used to measure blur due to limited sensor resolution by estimating a sub-pixel, super-resolved PSF even for in-focus images. It operates by predicting a ldquosharprdquo version of a blurry input image and uses the two images to solve for a PSF. We handle the cases where the scene content is unknown and also where a known printed calibration target is placed in the scene. Our method is completely automatic, fast, and produces accurate results.

One hit wonder: A biomimetic transamination reaction has been developed that employs pyridoxal-5-phosphate to modify the N terminus of proteins and peptides under mild conditions. This technique introduces a uniquely reactive carbonyl group in a single location (see scheme), thus allowing further elaboration through oxime or hydrazone formation. This modification strategy is also compatible with proteins containing a free cysteine residue.

The significant role of biofilms in pathogenicity has spurred research into preventing their formation and promoting their disruption, resulting in overlooked opportunities to develop biofilms as a synthetic biological platform for self-assembling functional materials. Here we present Biofilm-Integrated Nanofiber Display (BIND) as a strategy for the molecular programming of the bacterial extracellular matrix material by genetically appending peptide domains to the amyloid protein CsgA, the dominant proteinaceous component in Escherichia coli biofilms. These engineered CsgA fusion proteins are successfully secreted and extracellularly self-assemble into amyloid nanofibre networks that retain the functions of the displayed peptide domains. We show the use of BIND to confer diverse artificial functions to the biofilm matrix, such as nanoparticle biotemplating, substrate adhesion, covalent immobilization of proteins or a combination thereof. BIND is a versatile nanobiotechnological platform for developing robust materials with programmable functions, demonstrating the potential of utilizing biofilms as large-scale designable biomaterials. Bacterial cells use a self-generated extracellular matrix of various biomolecules in order to form biofilms and promote their stability. Here, the authors present a method for genetically controlling the composition of this extracellular matrix to yield more functional biofilms.

Inorganic-biological hybrid systems have potential to be sustainable, efficient, and versatile chemical synthesis platforms by integrating the light-harvesting properties of semiconductors with the synthetic potential of biological cells. We have developed a modular bioinorganic hybrid platform that consists of highly efficient light-harvesting indium phosphide nanoparticles and genetically engineered Saccharomyces cerevisiae, a workhorse microorganism in biomanufacturing. The yeast harvests photogenerated electrons from the illuminated nanoparticles and uses them for the cytosolic regeneration of redox cofactors. This process enables the decoupling of biosynthesis and cofactor regeneration, facilitating a carbon- and energy-efficient production of the metabolite shikimic acid, a common precursor for several drugs and fine chemicals. Our work provides a platform for the rational design of biohybrids for efficient biomanufacturing processes with higher complexity and functionality.

Abstract Mucosal healing plays a critical role in combatting the effects of inflammatory bowel disease, fistulae and ulcers. While most treatments for such diseases focus on systemically delivered anti-inflammatory drugs, often leading to detrimental side effects, mucosal healing agents that target the gut epithelium are underexplored. We genetically engineer Escherichia coli Nissle 1917 (EcN) to create fibrous matrices that promote gut epithelial integrity in situ. These matrices consist of curli nanofibers displaying trefoil factors (TFFs), known to promote intestinal barrier function and epithelial restitution. We confirm that engineered EcN can secrete the curli-fused TFFs in vitro and in vivo, and is non-pathogenic. We observe enhanced protective effects of engineered EcN against dextran sodium sulfate-induced colitis in mice, associated with mucosal healing and immunomodulation. This work lays a foundation for the development of a platform in which the in situ production of therapeutic protein matrices from beneficial bacteria can be exploited.

We present a deblurring algorithm that uses a hardware attachment coupled with a natural image prior to deblur images from consumer cameras. Our approach uses a combination of inexpensive gyroscopes and accelerometers in an energy optimization framework to estimate a blur function from the camera's acceleration and angular velocity during an exposure. We solve for the camera motion at a high sampling rate during an exposure and infer the latent image using a joint optimization. Our method is completely automatic, handles per-pixel, spatially-varying blur, and out-performs the current leading image-based methods. Our experiments show that it handles large kernels -- up to at least 100 pixels, with a typical size of 30 pixels. We also present a method to perform "ground-truth" measurements of camera motion blur. We use this method to validate our hardware and deconvolution approach. To the best of our knowledge, this is the first work that uses 6 DOF inertial sensors for dense, per-pixel spatially-varying image deblurring and the first work to gather dense ground-truth measurements for camera-shake blur.

It is often desirable to evaluate an image based on its quality. For many computer vision applications, a perceptually meaningful measure is the most relevant for evaluation; however, most commonly used measure do not map well to human judgements of image quality. A further complication of many existing image measure is that they require a reference image, which is often not available in practice. In this paper, we present a "blind" image quality measure, where potentially neither the groundtruth image nor the degradation process are known. Our method uses a set of novel low-level image features in a machine learning framework to learn a mapping from these features to subjective image quality scores. The image quality features stem from natural image measure and texture statistics. Experiments on a standard image quality benchmark dataset shows that our method outperforms the current state of art.