相位恢复是从光强度测量中计算光波相位的基础，近年来，深度学习已被证明在解决相位恢复问题方面非常有效，本文综合比较了数据驱动和物理驱动的两种深度学习相位恢复策略，并提出了结合数据集和物理的混合策略以平衡高频和低频信息。

Apr, 2024

相位恢复通过强度测量计算光场的相位。近年来，深度学习在计算成像领域提供了前所未有的支持，用于解决各种相位恢复问题。本综述介绍了传统相位恢复方法，探讨了深度学习在预处理、处理和后处理三个阶段以及相位图像处理中的应用，并总结了深度学习在相位恢复方面的工作并展望了如何更好地利用深度学习来提高相位恢复的可靠性和效率。

Aug, 2023

本文首次证明了深度神经网络可用于计算成像中的反问题，并通过训练 DNN 成功地在无镜成像系统中恢复出相位物体。

Feb, 2017

采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势，提出了一个由三个子神经网络组成的混合框架，在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果，并将其作为物理网络的初始值，保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络，进一步增强图像质量。验证了该混合框架的可行性和有效性，通过理论分析和实际实验在分辨目标和生物样本上。

Jan, 2024

通过开发深度学习重建方法，我们为实时近场多输入多输出（MIMO）雷达成像系统提供了一种新颖的非迭代重建方法，旨在在压缩设置下以较低的计算成本实现高质量图像。

Dec, 2023

本文提出了一种基于学习参考信号和解卷积神经网络的 Fourier 相位恢复方法，该方法在计算成本小的情况下提供接近完美的恢复，相比标准 Fourier 相位恢复方法有显著的性能提高。

Jul, 2020

使用未经训练的 Res-U2Net 模型进行相位恢复，并利用提取的相位信息确定物体表面的变化，并生成其三维结构的网格表示。与 GDXRAY 数据集中的 UNet 和 U2Net 相比较，对 Res-U2Net 相位恢复方法的性能进行了比较。

Apr, 2024

近年来，神经网络已被用于解决成像中的相位恢复问题，比传统技术具有更高的准确性和速度，特别是在存在噪声的情况下。然而，在干涉成像的背景下，现有的神经网络结构很少解决相位噪声问题。本文介绍了一种 3D-2D 相位恢复 U-Net (PRUNe) 模型，它以噪声和随机相位移的干涉图作为输入，并输出一张 2D 相位图像。经过 3D 降采样卷积编码器和 2D 解码器的处理，模型能更准确、平滑地恢复相位图像，在低光强（<1 个光子 / 像素）和高光强（~100 个光子 / 像素）信噪比的干涉图像上，均表现出比现有算法更低 2.5-4 倍的均方误差。该模型为在极低光强干涉成像中进行相位恢复提供了更快速和更准确的方法，并将在其他多帧噪声成像技术中应用。

Feb, 2024

研究介绍了一种名为 Single impliCit neurAl Network (SCAN) 的工具，它是基于精心设计的坐标神经网络，用于提升相位恢复性能和精度，在高清晰度成像领域和相干衍射成像中具有重要应用价值。SCAN 通过无监督的方式将目标坐标与其振幅和相位相连接，绕过了常规迭代方法的局限性，如高计算负荷和噪声干扰，并将预测振幅和相位都纳入损失函数，提高了恢复的准确性。综合测试结果证实了 SCAN 相对于传统方法和其他深度学习模型在准确性和噪声鲁棒性方面的优越性，同时还展示了 SCAN 在斑图成像设置中的出色表现。

Nov, 2023

提出了一种名为 PPRNet 的新物理驱动多尺度深度学习网络结构，能够从仅进行一次傅里叶幅度测量的数据中，准确、快速、并在实践光学系统中取得显著的重建效果。

Aug, 2022