Sep, 2023

PRISTA-Net：编码衍射图模式相位恢复的深度迭代收缩阈值网络

PDF
TL;DR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。
phase retrievalprista-netdeep unfolding networksparse priorscoded diffraction patterns
发现论文，激发创造
  • FISTA-Net: 学习用于成像反问题的快速迭代收缩阈值网络

    该论文提出了一个结合了模型解释性和通用性的基于深度学习的图像优化网络 FISTA-Net，该网络能够优化不同成像任务的参数，如电磁层析成像和 X 射线计算机断层扫描，并表现出好的泛化能力。

    Aug, 2020

  • 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

  • 噪声干扰下干涉成像相位恢复的 3D-2D 神经网络

    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

  • 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

  • ISTA-Net: 可解释的启发式图像压缩感知深度网络优化

    本研究致力于发展一种快速而准确的压缩感知（CS）自然图像重建算法，通过结合传统基于优化和最近基于网络的 CS 方法的优点，提出了一种新颖的结构化深度网络 ISTA-Net，并通过端到端学习来训练其所有参数，我们的实验表明，IST-Net 在保持快速计算速度的同时，可以优于现有基于优化和基于网络的 CS 方法。

    Jun, 2017

  • 学习迭代阈值算法的最优非线性函数

    本论文提出了一种使用神经网络和误差反向传播算法学习最优阈值函数的数据驱动迭代收缩阈值算法（ISTA），并在稀疏统计信号上进行模拟实验，证明了这种算法在估计质量上的潜在提升。

    Dec, 2015

  • 图像压缩感知的快速分层深度展开网络

    本文提出了一种新的快速分层深度展开网络（FHDUN）用于图像压缩感知，并通过加速 FISTA 的策略实现超过 50％的迭代次数节约， FHDUN 优于现有的最先进的压缩感知方法，同时保持更少的迭代次数。

    Aug, 2022

  • 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

  • RPCANet：基于深度展开的 RPCA 的红外小目标检测

    提出了一种名为 RPCANet 的可解释深度网络，用于检测红外弱目标，通过将迭代优化更新步骤展开成深度学习框架，实现了对目标的清晰解释性和对内在图像特征的保留，在定性和定量评价中超越了基线方法，证明了深度展开框架的有效性。

    Nov, 2023

  • 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