Aug, 2023

深度学习在相位恢复中的应用

PDF
TL;DR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。
phase recoverydeep learningcomputational imagingquantitative phase imagingrefractive index distribution
发现论文，激发创造
  • 利用数据与物理学技术进行深度学习相位恢复

    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

  • 大规模相位恢复

    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

  • 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

    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

  • prDeep：一种具有灵活深层网络的强健相位恢复方法

    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

  • 利用深度学习进行神经网络中的相位恢复和全息图像重建

    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

  • 低光相位恢复与深层图像先验

    LoDIP 结合 in-situ CDI 设置和隐式神经先验的能力，解决了单图低剂量相位恢复问题，通过定量评估证明了其卓越性能以及在实际实验场景中的适用性。

    Feb, 2024

  • PR-DAD: 使用深度自动编码器进行相位恢复

    本研究提出了一种新颖的基于深度自动编码器的相位恢复深度学习体系结构 PR-DAD，其组件经过精心设计并基于相位恢复问题的数学建模，实验结果表明其性能超越了当前所有方法。

    Apr, 2022

  • 基于深度学习的无镜头计算成像技术

    本文首次证明了深度神经网络可用于计算成像中的反问题，并通过训练 DNN 成功地在无镜成像系统中恢复出相位物体。

    Feb, 2017

  • 成像中逆问题的深度学习技术

    探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用，提出了一种可以用于将不同问题和重建方法分类的分类法，并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。

    May, 2020

  • PRISTA-Net：编码衍射图模式相位恢复的深度迭代收缩阈值网络

    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