本文介绍如何使用深度神经网络对载波光栅进行分析，并在实验中证明这种方法的准确度和优越性。

Jul, 2018

本研究提出了一种基于深度神经网络的新的凹凸条纹图案 FP 去噪和标准化的框架，并使用 U-net，V-net 模型对其进行模拟和改良，对不同噪声和分布的 FP 进行实验评估，证明其重要性和潜力。

Jun, 2019

本文提出了一种基于 UHRNet 的单形态法高度提取方法，通过设计复合损失函数并进行多项实验验证，证明该方法能够有效提高从单个光栅图案中进行三维重建的准确性。

Apr, 2023

本文介绍了一种基于深度学习和规则化技术的光学条纹图象去噪方法，可以有效去除条纹图象中的噪声，提高提取相位场的准确性和鲁棒性。实验结果表明，该方法在去除噪声的同时，能够保留条纹图象的主要特征，速度较快，具有一定的竞争力。

Jan, 2019

该研究提出了一种新的基于数据驱动和物理学先验信息的场景级别单极化图像法线估计方法，并且建立了第一个真实场景级别形态恢复数据集。该方法采用了多头自注意力与视图编码来处理在野外环境中形成的极化杂波和联机投影问题，实验结果表明，相对于现有的形态恢复方法，该方法具有更好的性能。

Dec, 2021

本文提出了一种利用空间图像和相位谱相结合的 SPSL 方法，以捕捉人脸伪造的上采样伪影并提高可转移性，通过减少感受野来抑制高级特征，专注于本地区域的人脸伪造检测方法，并对利用相位谱的有效性进行了理论分析，在交叉数据集评估中实现了最先进的性能，并在单个数据集评估中获得可比较的结果。

Mar, 2021

使用物理学基础的神经网络通过优化 LED 发光模式设计来实现超分辨成像，进而压缩原先需要的多次测量，减少时间和成本。

Apr, 2019

本研究运用深度学习探讨了极化成形（SfP）问题。通过将物理模型融入神经网络架构中，创新性地兼顾了数据驱动和物理驱动，取得了在不同光照、材质和涂装条件下的最佳测试结果。

Mar, 2019

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

在超声波图像分割中，通过使用傅里叶锚点的特征金字塔网络 (FFPN) 和轮廓采样细化 (CSR) 模块，可以提高准确性和效率。

Aug, 2023