大规模相位恢复
本文介绍了一种新的相位恢复算法 prDeep,利用正则化去噪框架和卷积神经网络去噪器,使得该算法具有鲁棒性并且广泛适用于各种系统模型,通过模拟测试和验证表明其能够应对噪声并且可以处理多种系统模型。
Mar, 2018
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
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
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
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
研究了在成像科学中,如何利用干涉法和扩展图的性质提供一种新颖的测量设计,实现相位恢复,利用谱图理论得出了相对于 PhaseLift 的稳定性能保证,并使用数值模拟对其性能进行了比较。
Oct, 2012
本文提出了两种迭代算法来解决低秩相位恢复问题,这些算法由谱初始化步骤和迭代算法组成,旨在最大化观测数据可能性,并得到了相应的样本复杂度界限。经过大量实验,表明这些算法在低秩相位恢复问题上具有良好的效果。
Aug, 2016
本研究提出了一种基于广义近似消息传递算法 (GAMP) 的新型压缩相位恢复方法 (PR-GAMP),并通过实验表明,该算法在减少测量数量、回收信号、抗噪声和运行时间等方面表现出了优越性。
May, 2014
本文发展了一种新的相位恢复框架,结合多个结构光源和凸规划的思想,通过回复幅度获取相位,证明了我们的算法在设定的信噪比范围内可靠地重建原始信号,并且引入了一些理论来说明我们可以通过设计简单的 structured illumination 模式,从而唯一地恢复相位。
Sep, 2011
本文介绍了 ptychography 的优点和存在的问题,并从数值分析的角度回顾了一些解决 phase retrieval 问题的现有方法,并提出了一些基于数值优化的替代方法。
May, 2011