无物理先验的实时计算成像两步训练深度学习框架

深度学习(DL)是计算成像中用于许多应用的强大工具。一种常见策略是重建初步图像作为神经网络的输入以获得优化图像。通常，初步图像是利用成像模型的先验知识获取的。然而，一个突出的挑战是实际成像模型偏离假定模型的程度。模型失配会降低初步图像质量，从而影响 DL 预测。另一主要挑战是，由于大多数成像逆问题是不适定的且网络是过参数化的，DL 网络有灵活性从与成像模型无直接关联的数据中提取特征。为解决这些挑战，提出一种用于无物理先验实时计算成像的两步训练 DL(TST-DL)框架。首先，训练单个全连接层(FCL)直接学习模型。然后，固定该 FCL 并与未训练的 U-Net 架构拼接进行第二步训练以提升输出图像保真度，带来四个主要优势。第一，不依赖成像模型的精确表示，因为模型是直接学习的。第二，可实现实时成像。第三，TST-DL 网络沿期望方向训练且预测得到改善，因为第一步受约束学习模型、第二步通过学习最优正则化器改进结果。第四，该方法适配任意大小和维度的数据。我们使用线性单像素相机成像模型演示了该框架。结果与其他 DL 框架及基于模型的迭代优化方法进行了定量比较。我们进一步将这一概念扩展到图像去自相关应用中的非线性模型。