通过使用深度生成先验来规范高度不适定和非线性相位恢复问题的新框架，该框架通过简单的梯度下降算法实现。在实验中，我们展示了该算法在随机高斯测量（在通过散射介质成像时实际相关）和傅里叶友好测量（在光学设置中相关）时的有效性。我们证明了与传统的手工设计先验相比，包括稀疏性和去噪框架，该方法在测量数量和对噪声的鲁棒性方面取得了令人印象深刻的结果。最后，我们展示了所提出的方法在实际应用中对实际传输矩阵数据集的有效性，用于多重散射介质成像。

Aug, 2018

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

本文介绍了一种高效且具有强大泛化能力的大规模相位恢复技术，其使用交替投影算法和增强的神经网络分别处理测量和统计优化问题，有效地弥补了各个操作符的缺点，并在计算成本较低的前提下实现了大规模相位恢复，被应用于计算相位成像中的各种模态并验证了其优越性。

Apr, 2021

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

从有限的幅度测量数据中恢复未知图像的相位恢复问题是计算成像和图像处理中具有挑战性的非线性逆问题。我们提出的 PRISTA-Net 是一个基于深度展开网络（DUN）和第一阶迭代收缩阈值算法（ISTA）的网络，通过可学习的非线性转换来处理稀疏先验的近端点映射子问题，并利用注意力机制聚焦于包含图像边缘、纹理和结构的相位信息。实验结果表明，该方法在定性和定量评估方面优于现有的最先进方法。

Sep, 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

本研究提出了一种新颖的基于深度自动编码器的相位恢复深度学习体系结构 PR-DAD，其组件经过精心设计并基于相位恢复问题的数学建模，实验结果表明其性能超越了当前所有方法。

Apr, 2022

LoDIP 结合 in-situ CDI 设置和隐式神经先验的能力，解决了单图低剂量相位恢复问题，通过定量评估证明了其卓越性能以及在实际实验场景中的适用性。

Feb, 2024

使用非监督物理知识神经网络重建方法，结合衍射正演映射与重叠测量的约束，提高了重构速度和质量，为高通量环境下的高分辨率实时成像带来了令人兴奋的前景。

Jun, 2023

利用神经网络进行密集分析，基于图像配准以及线性方程的构建和求解，实现 ptychography 探针位置的准确预测并对大尺度和累积性位置误差进行有效校正。

May, 2024