Nov, 2023

基于坐标的神经网络用于傅立叶相位恢复

PDF
TL;DR研究介绍了一种名为 Single impliCit neurAl Network (SCAN) 的工具，它是基于精心设计的坐标神经网络，用于提升相位恢复性能和精度，在高清晰度成像领域和相干衍射成像中具有重要应用价值。SCAN 通过无监督的方式将目标坐标与其振幅和相位相连接，绕过了常规迭代方法的局限性，如高计算负荷和噪声干扰，并将预测振幅和相位都纳入损失函数，提高了恢复的准确性。综合测试结果证实了 SCAN 相对于传统方法和其他深度学习模型在准确性和噪声鲁棒性方面的优越性，同时还展示了 SCAN 在斑图成像设置中的出色表现。
发现论文，激发创造
  • 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

  • 使用学习参考解决相位恢复

    本文提出了一种基于学习参考信号和解卷积神经网络的 Fourier 相位恢复方法，该方法在计算成本小的情况下提供接近完美的恢复，相比标准 Fourier 相位恢复方法有显著的性能提高。

    Jul, 2020

  • 利用单次相位恢复神经网络预测相衬成像探针位置

    利用神经网络进行密集分析，基于图像配准以及线性方程的构建和求解，实现 ptychography 探针位置的准确预测并对大尺度和累积性位置误差进行有效校正。

    May, 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

  • 利用机器学习对稀疏遥感数据进行相位分辨的非线性海洋波面高度重建

    通过利用神经网络中的 U-Net 和 Fourier 神经运算器架构，使用一种基于均匀一维网格的高阶谱方法进行波浪模拟和几何雷达建模方法产生高度逼真的合成训练数据，从而解决了利用计算密集的优化过程或牺牲全过程实时能力和准确性的简单建模假设的现有方法进行相位分辨波浪条件重建的问题。该方法在利用包含每个输入中多个历史雷达快照的时空雷达数据进行训练时，提供了准确的重建结果，并显示出对不同海况的良好泛化表现，其中 FNO 网络在傅里叶空间中全局学习输入和所需输出之间的映射时表现更佳。

    May, 2023

  • 从分数傅里叶变换视角的单次相位恢复

    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

  • 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

  • 利用更快的傅里叶卷积神经网络进行加速 MR 扫描的图像重建

    本文提出了一种基于 Faster Fourier Convolution 的方法，通过扩展全局接受域来更准确地重建部分扫描数据的 MRI 图像，实现了比传统方法更快速的计算速度和更高质量的重建效果。

    Jun, 2023

  • 神经傅立叶滤波器组

    该文提出了一种利用神经场和傅里叶特征编码对信号进行空间和频率分解的方法，并通过多层感知机逐层累积高频部分，以形成最终输出的有效高精度重建方法，试验表明该方法在二维图像拟合、三维形状重建和神经辐射场等多个任务上效果优于现有方法，且模型更加紧凑高效。

    Dec, 2022

  • 基于卷积神经网络的像素相位估计的泛化及基于 MRF 优化的一次性 3D 扫描相位解缠改进

    采用单幅投影的主动立体视觉技术，也称为一次性三维扫描，已经引起了产业、医学等领域的广泛关注。然而，一次性三维扫描存在稀疏重建的严重缺陷，并且由于空间模式的复杂性，在嵌入效率方面容易受到噪声的影响，从而导致解码不稳定。为了解决这些问题，我们提出了一种适用于任何类型的静态模式的像素级插值技术，只要该模式是规则且周期性的。通过使用经过高效数据增强算法预训练的 U-net，我们实现了这一目标。在本文中，为了进一步解决解码不稳定性问题，我们提出了一种基于马尔科夫随机场（MRF）优化的鲁棒对应点查找算法。我们还提出了一种基于 b 样条和高斯核插值的形状细化算法，使用明确检测到的激光曲线。实验证明了所提方法在强噪声和纹理实际数据上的有效性。

    Sep, 2023