AutoPhaseNN：无监督物理感知的 3D 纳米尺度 Bragg 相干衍射成像深度学习
应用物理
2022-04-05 v2 材料科学
人工智能
计算机视觉与模式识别
摘要
相位恢复问题，即仅从测量的强度中算法性地恢复丢失的相位信息，是從天文学到纳米尺度成像各种成像方法的基础。传统的相位恢复方法本质上是迭代的，因此计算代价高且耗时。近来，深度学习方法（DL）被开发出来，要么为迭代相位恢复提供学习到的先验，要么在某些情况下完全用学会从测量的强度中恢复丢失相位信息的网络取代相位恢复。然而，此类模型需要大量标注数据，而这些数据只能通过仿真或对成百上千个实验数据集进行计算上难以承受的相位恢复来获得。以 3D 纳米尺度 X 射线成像模态（Bragg 相干衍射成像，BCDI）为代表技术，我们展示了 AutoPhaseNN，一种无需标注数据即可学会求解相位问题的基于 DL 的方法。通过在训练中将成像技术的物理机制纳入 DL 模型，AutoPhaseNN 学会一次性地将 3D BCDI 数据从倒易空间反演到实空间，而从未被展示过实空间图像。一旦训练完成，AutoPhaseNN 比传统迭代相位恢复方法快约一百倍，同时提供可比的图像质量。
引用
@article{arxiv.2109.14053,
title = {AutoPhaseNN: Unsupervised Physics-aware Deep Learning of 3D Nanoscale Bragg Coherent Diffraction Imaging},
author = {Yudong Yao and Henry Chan and Subramanian Sankaranarayanan and Prasanna Balaprakash and Ross J. Harder and Mathew J. Cherukara},
journal= {arXiv preprint arXiv:2109.14053},
year = {2022}
}