计算成像受益于未经训练的神经网络

计较成像(CI)技能操作光学装备和计较算法来重建工具信息。CI的要害方针是开拓更高级的算法，以简化硬件装备并进步成像质量。

深度进修是成果最强盛的算法之一，它行使深度神经收集从大量输入/输出数据对中进修，从而成立数据之间的映射相关。它已被普及用于CI，并已在很多成像题目中取得了最新的成就。可是，大大都现有的基于深度进修的CI要领在数据网络和归纳中都面对挑衅。
 

在最近的一项研究中，中国科学院的研究职员描写了他们怎样团结未经实习的神经收集和物理常识来消除基于深度进修的CI要领的范围性。

认真人Situ Guohai传授说：“我们的成像要领不必要大量数据来实习神经收集。它所必要的只是检测器记录的物体的丈量以及从物体到丈量的物理模子。”研究团队。

研究职员在无透镜定量相位成像题目上演示了他们的技能，该题目必要重建在检测阶段丢失的相位信息。

新要领基于深度神经收集(DNN)，普及用于顺应来自很多实习数据对的差异映射函数的多层计较模子以及已经成立了数百年的自由空间撒播道理研究。

研究职员告急于光学体系常识，以加强DNN的参数优化。他们将测得的强度衍射图样输入到随机初始化的DNN(未经实习)中，将DNN的输出作为相位信息的预计，并按照自由空间撒播道理从预计的相位开始计较强度衍射图样的预计值。

然后，更新DNN中的参数，以最洪流平地镌汰丈量模式和预计模式之间的偏差。跟着偏差的最小化，DNN的输出也收敛于现实相位信息。

SITU暗示：“固然大大都早年的基于深度进修的CI要领都行使了大量的实习数据来优化DNN中的参数，但我们的要领却操作了原始丈量和物理模子。”“这是一种可用于重建差异种类工具的通用要领。”

研究职员通过行使其对相工具成像来测试他们的技能。新要领可以或许行使单个强度衍射图样理会相位信息。

SITU说：“用于相位成像的新要领是单次非过问干与丈量要领，在显微镜和光学计量学中具有庞大潜力。另外，只要已知物理模子，各类CI要领也可以行使相同的框架，” 。

这项事变获得了中国科学院前沿科学重点研究打算，中德中心和国度天然科学基金的支持。

（编辑：河北网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!