通过使用 SFNet 模型,我们提出了一种基于两个 fringe 图像的相位恢复方法,实现了高精度的 3D 重建,解决了使用有限数量的 fringe 图案的挑战。
Feb, 2024
本文介绍了一种基于深度学习和规则化技术的光学条纹图象去噪方法,可以有效去除条纹图象中的噪声,提高提取相位场的准确性和鲁棒性。实验结果表明,该方法在去除噪声的同时,能够保留条纹图象的主要特征,速度较快,具有一定的竞争力。
Jan, 2019
本研究提出了一种基于深度神经网络的新的凹凸条纹图案 FP 去噪和标准化的框架,并使用 U-net,V-net 模型对其进行模拟和改良,对不同噪声和分布的 FP 进行实验评估,证明其重要性和潜力。
Jun, 2019
本文提出了一种基于 UHRNet 的单形态法高度提取方法,通过设计复合损失函数并进行多项实验验证,证明该方法能够有效提高从单个光栅图案中进行三维重建的准确性。
Apr, 2023
使用物理学基础的神经网络通过优化 LED 发光模式设计来实现超分辨成像,进而压缩原先需要的多次测量,减少时间和成本。
Apr, 2019
通过弱监督算法对衍射图案进行分类,可以显著减少训练所需的标记样本数量,同时获得与全监督方法相当的准确性,为解决大量数据处理的挑战提供了一种可能。
Jul, 2023
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
使用基于交替方向乘子方法(ADMM)框架的未训练神经网络(NN)嵌入算法,通过生成网络和总变差(TV)正则化来解决具有少量测量的 Fourier 相位恢复(FPR)问题,从而减少计算资源,并能与训练的 NN 算法竞争性地表现。
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
本文探讨利用神经网络进行相位恢复及全息图像重建,可以消除双幅像和自干涉产生的空间伪影,相较于现有的方法更快、准确。通过计算血液、宫颈涂片、组织切片等样本,验证了该方法的可行性,表明机器学习可以克服成像科学中的挑战性问题,为设计强大的计算成像系统提供了新的思路。
May, 2017