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

采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势，提出了一个由三个子神经网络组成的混合框架，在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果，并将其作为物理网络的初始值，保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络，进一步增强图像质量。验证了该混合框架的可行性和有效性，通过理论分析和实际实验在分辨目标和生物样本上。

Jan, 2024

本论文提出了一种基于物理信息神经网络 (PINNs) 的直接微震成像框架，可以处理非常稀疏的记录数据并生成聚焦的源图像，以解决数据稀疏性导致的混淆问题，并使用多频率波场和倒数傅里叶变换来提取源图像，并引入因果损失以提高 PINNs 的收敛性，针对 Overthrust 模型和液压压裂现场数据进行数值实验，证明该方法可以正确成像单个或多个源。

Apr, 2023

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

PtychoDV 是一种高效、高质量的 ptychographic 图像重建网络，它通过显著降低迭代算法的计算成本和保持竞争性能，从原始测量数据生成初始图像，并利用学习卷积先验和 ptychography 测量模型细化初始图像。实验结果表明，PtychoDV 在模拟数据上的表现优于现有的深度学习方法。

Oct, 2023

本研究利用物理规范化深度自监督学习结构，加速针对集成电路的 ptycho-laminographic 重建，仅需采集 16 倍少的角度样本和 4.67 倍更快的计算，且重建品质优于完整采集和无学习的密采集重建，从而实现了对纳米结构的三维检查，并为安全和可靠性保障做出了贡献。

Apr, 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

本文采用卷积前馈神经网络来解决超出直线视野成像中的复杂非线性细节重建问题，能够高效地生成大量的训练数据。实验结果表明，我们的前向传播网络，即使仅在合成数据上训练，也能推广到 SPAD 传感器的测量数据，并能够获得与基于模型的重建方法相媲美的结果。

Jan, 2020

我们提出了一种混合的监督 - 无监督学习框架，用于 X 射线计算机断层扫描（CT）图像重构。该学习方法利用了稀疏或无监督学习为先验条件以及神经网络重构器来模拟迭代过程，通过级联多个这样的模块组成重构流水线。实验证明，与最近的低剂量 CT 重建方法相比，该框架表现出很高的性能。

Nov, 2023

通过深度学习的扰动多模光纤成像已经得到广泛研究，然而现有方法主要使用不同配置下的目标 - 散斑对，而没有经过训练的网络很难重建目标。本文提出了一种基于物理辅助的无监督学习光纤成像方案，物理先验的作用是简化散斑图案与目标图像之间的映射关系，从而减少计算复杂性。无监督网络根据物理先验提供的优化方向学习目标特征，因此在线学习的重建过程只需要少量的散斑图案和不成对的目标。该方案还增加了在扰动多模光纤中的基于学习的方法的泛化能力，具有扩展多模光纤成像应用的潜力。

Nov, 2023