Apr, 2024

使用深度学习从点扩散函数和扩展图像直接预测泽尼克系数

PDF
TL;DR使用卷积神经网络直接从两到三个相位多样性光学图像中预测泽尼克系数，对光学像差进行表征，以实现快速准确的相位多样性方法，为真实数据集的评估铺平了道路。
optical imaging qualityadaptive optics systemsconvolutional neural networkszernike coefficientsaberration correction
发现论文，激发创造
  • 基于深度先验的通用灵活光学像差校正

    本文提出了一种 PSF 感知的即插即用深度网络，通过引入特定镜头的深度先验知识，以消除光学像差，从而实现了通用和灵活的光学像差校正方法，该方法具有高效的性能。

    Apr, 2021

  • 快速两步盲目光学像差校正

    该论文提出了一个两步方案来矫正单个图像中的光学像差，其中包括对重叠区域进行局部高斯模糊核的估计和去除横向色差，其中利用了卷积神经网络进行修复。

    Aug, 2022

  • 自主学习的空间变异 PSF 估计对于能够察觉像差的由视角焦深度提供帮助

    本研究论文提出了一种适应实际相机空间变异点扩散函数的像差感知散焦深度计算方法，并通过自监督学习利用实际清晰与模糊图像对来获取相机的空间变异点扩散函数，同时处理了实际深度感知时出现的焦距呼吸现象，合成和真实数据的实验证明了方法在点扩散函数和深度感知方面的有效性。

    Feb, 2024

  • 大规模生产移动终端的计算光学

    本研究提出了一个基于模型的优化框架，用于从加工样本的空间频率响应中构建代理相机，进而为训练基于学习的算法提供光学畸变和随机制造偏差的合成数据对，并利用超扩张全方位动态卷积来纠正制造降解，从而实现全面的计算摄影。

    May, 2023

  • 神经可逆变度光学像差矫正

    采用可逆结构的新型畸变校正方法，通过条件可逆块处理可变程度的畸变，实验证明性能优于现有方法。

    Apr, 2023

  • 使用成像模拟进行后处理的光学像差校正

    本研究提出了一种用于恢复因光学像差导致的图像退化的实用方法，通过基于我们提出的光学点扩散函数模型的成像模拟系统，生成特定设备的成像结果，并在合成数据对上设计空间自适应网络模型，消除了大量拍摄和注册训练数据的开销。实验结果表明，该方法成功地消除了空间变异模糊和色散，并具有更低的计算开销和便于转移到当前商业相机。

    May, 2023

  • 基于点扩散函数正则化和主动学习的图像恢复

    通过深度学习的图像修复算法与高保真度望远镜模拟器相结合的新型图像修复算法，可以有效增强模糊图像的细节结构，提高观测图像的质量，用于大规模天文巡天数据的信息提取，推动天文研究领域的进展。

    Oct, 2023

  • 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

  • 常见光学像差对分类的稳健性

    通过 OpticsBench 和 OpticsAugment 的实验证明了使用实际光学模糊效果进行数据增强可以提高深度神经网络的鲁棒性，这在计算机视觉中具有重要意义。

    Aug, 2023

  • 基于多级卷积神经网络的光学条纹图案过滤

    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