一种具有极坐标注意力的物理启发深度学习框架用于ptychographic成像
光学
2025-05-05 v2 计算机视觉与模式识别
摘要
Ptychographic成像在应用深度学习从衍射图样中进行相位恢复时面临固有挑战。传统的神经网络架构，包括卷积神经网络和基于Transformer的方法，针对具有基于欧几里得空间邻域归纳偏置的自然图像进行了优化，这与衍射数据中倒空间的特征性同心相干图案存在几何不匹配。在本文中，我们提出了PPN，一种具有极坐标注意力（PoCA）的物理启发深度学习网络，用于ptychographic成像，通过分离局部特征提取与非局部相干建模的双分支架构，使神经网络归纳偏置与衍射物理保持一致。它包括一个PoCA机制，用物理一致的径向-角度相关性替代欧几里得空间先验。PPN优于现有的端到端模型，光谱和空间分析证实了其对高频细节的更好保留。值得注意的是，PPN在低重叠率下仍能保持与迭代方法相比的鲁棒性能，使其非常适合在具有一致结构特征的样本的实际采集场景中进行高通量成像。
引用
@article{arxiv.2412.06806,
title = {A Physics-Inspired Deep Learning Framework with Polar Coordinate Attention for Ptychographic Imaging},
author = {Han Yue and Jun Cheng and Yu-Xuan Ren and Chien-Chun Chen and Grant A. van Riessen and Philip Heng Wai Leong and Steve Feng Shu},
journal= {arXiv preprint arXiv:2412.06806},
year = {2025}
}
备注
13 pages, 10 figures