光学成像中最可能的恢复

Dec, 2022

Towards A Most Probable Recovery in Optical Imaging

Nadav Torem, Roi Ronen, Yoav Y. Schechner, Michael Elad

TL;DR本文使用退火朗之万动力学，结合深度神经网络来解决光学成像中的相位恢复和 Poisson 噪声去除等基本挑战，并通过实验数据和模拟结果进行了验证。

Abstract

Light is a complex-valued field. The intensity and phase of the field are affected by imaged objects. However, imaging sensors measure only real-valued non-negative intensities. This results in a nonlinear relation between the measurements and the unknown imaged objects. Moreover, the sensor readouts are corrupted by Poissonian-distributed photon noise. In t

optical imaging phase recovery poisson denoising annealed langevin dynamics deep neural networks

发现论文，激发创造

基于物体相位和振幅的稀疏逼近噪声数据相位恢复

本文介绍了一种替代 Gerchberg-Saxton 和截尾 Wirtinger 流算法的方法，该方法应用于相位和幅度建模的变分方法，具有高噪声容忍度和高精度的特点，可用于复杂值对象的相位恢复。

Sep, 2017

低光照图像的深度卷积降噪

本文介绍了使用卷积神经网络和 Poisson 分布进行图像去噪的方法，通过特定峰值的图片训练网络可以显著提高图像去噪效果，并且此方法灵活、数据驱动，速度更快。同时，结合图像先验信息，处理同类别图片可以进一步提高性能表现。

Jan, 2017

全光复杂场成像使用衍射处理器

设计了一种基于强度传感器阵列的复杂场成像器，并通过使用迭代相位恢复算法提供幅值和定量相位信息，可用于安全、生物医学成像、传感和材料科学等多个领域。

Jan, 2024

稳态非直视成像

本文提出了一种利用非定向散射表面反射光方向性的间接光线成像方法，通过可训练的体系结构将散射反射光映射到场景反射上，实现了使用传统强度传感器和连续光照的稳态非直视成像。

Nov, 2018

面向低成本单光子相机的三维视觉

基于单光子相机的能效高、低成本小型测量，我们提出了一种重建任意兰伯特物体 3D 形状的方法。通过模拟数据和实际捕捉的测量结果来展示我们的方法可以成功恢复复杂的 3D 形状，连接了基于图像建模和主动式范围扫描，并为单光子相机的 3D 视觉迈出了一步。

Mar, 2024

深度概率成像：计算成像的不确定性量化与多模态解决方案表征

该研究提出了一种利用未经训练的深度生成模型估计未观察图像的后验分布的方法，从而量化重建不确定性。这种方法不需要训练数据，而是优化神经网络的权重以生成适合特定测量数据集的图像样本，通过这种方法，在干涉射电成像和压缩感知磁共振成像等领域得出了实证结果。

Oct, 2020

计算优先的噪音鲁棒视觉感知

我们提出了一种光信号处理方案，在检测之前通过适当设计的线性变换器对光信号进行空间重新分布，以增强视觉感知任务的检测噪声鲁棒性，并通过 MNIST 分类的基准测试进行了验证。这种计算优先的检测方案可以推动广泛应用于工业和国防领域的红外机器视觉技术的发展。

Mar, 2024

基于物理的学习设计：定量相位成像优化编码照明

本文提出了一种新的数据驱动方法，通过机器学习技术和物理学知识相结合，优化了 LED 阵列显微镜的编码照明模式，并将其应用于稀疏性相位重建算法，证明了该方法可以显著提高实验结果的准确性，且只需较少的训练数据。

Aug, 2018

量子图像传感器动态低光成像

本文提出使用 Quanta Image Sensors 进行低光动态场景成像的方法，并给出新的图像重建算法，通过运用一个学生 - 教师训练协议将运动教师和去噪教师的知识传递到学生网络中，实现对低光动态场景进行像素水平下 1 光子每像素每帧的成像重建，和现有方法相比，在低光成像中具有更好的性能。

Jul, 2020

深度学习在相位恢复中的应用

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