基于物理驱动深度神经网络的实用单次相位恢复算法研究
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
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
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
从分数阶傅里叶变换的角度出发,本文提出一种新颖的单次曝光相位恢复范式,利用分数阶傅里叶变换基于物理测量模型,并结合自监督重建方法,解决了相位恢复中的问题,实现了支持自由相干衍射成像。
Nov, 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
深度物理交融学习方案在图像重建方面取得了高精度和可解释性,并成为逆向成像任务的主流;本文提出了一种新颖的深度物理引导的非展开恢复学习框架,并通过优化和空间分解的两种不同视角提供了两种实现方法,展示了 PRL 网络在性能和效率方面明显的领先地位,具有进一步改进和应用于其他逆向成像问题或优化模型的潜力。
Jul, 2023
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
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