深度学习相位恢复：数据驱动、物理驱动，或两者结合？
图像与视频处理
2024-09-19 v2 机器学习
光学
摘要
相位恢复——从强度测量中计算光波的相位——是诸多应用的关键任务，包括相干衍射成像、自适应光学和生物医学成像。它使可以重建物体的折射率分布或轮廓，以及纠正成像系统的像差。在近年，深度学习在解决相位恢复问题方面表现出极高效能。深度学习相位恢复的两种最直接策略是数据驱动（DD）采用监督学习模式，和物理驱动（PD）采用自监督学习模式。DD和PD以不同方式实现相同目标，缺乏必要研究来揭示其相似性和差异性。因此，本文全面比较这两种深度学习相位恢复策略，包括时间消耗、准确性、泛化能力、鲁棒性和先验容量。此外，我们提出一种结合数据集和物理方法以平衡高频和低频信息的共驱动（CD）策略。DD、PD和CD的代码均公开于https://github.com/kqwang/DLPR。
引用
@article{arxiv.2404.01360,
title = {Deep learning phase recovery: data-driven, physics-driven, or combining both?},
author = {Kaiqiang Wang and Edmund Y. Lam},
journal= {arXiv preprint arXiv:2404.01360},
year = {2024}
}
备注
24 pages, 13 figures