利用数据与物理学技术进行深度学习相位恢复
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
使用非监督物理知识神经网络重建方法,结合衍射正演映射与重叠测量的约束,提高了重构速度和质量,为高通量环境下的高分辨率实时成像带来了令人兴奋的前景。
Jun, 2023
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
本文提出了一种新的数据驱动方法,通过机器学习技术和物理学知识相结合,优化了 LED 阵列显微镜的编码照明模式,并将其应用于稀疏性相位重建算法,证明了该方法可以显著提高实验结果的准确性,且只需较少的训练数据。
Aug, 2018
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
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
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
深度物理交融学习方案在图像重建方面取得了高精度和可解释性,并成为逆向成像任务的主流;本文提出了一种新颖的深度物理引导的非展开恢复学习框架,并通过优化和空间分解的两种不同视角提供了两种实现方法,展示了 PRL 网络在性能和效率方面明显的领先地位,具有进一步改进和应用于其他逆向成像问题或优化模型的潜力。
Jul, 2023
物理学基础视觉与深度学习的交叉领域在推动计算机视觉技术方面具有激动人心的前景。通过利用物理学原理来指导和增强深度学习模型,我们可以开发出更强大和准确的视觉系统。
Jun, 2024
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