用于波长偏移干涉测量中高效相位解调的深度神经网络
图像与视频处理
2020-08-26 v1 信号处理
光学
摘要
光学干涉测量中的解析相位解调算法通常无法达到由Cramér-Rao界（CRB）设定的理论灵敏度极限。我们表明，当使用传统算法未利用的新信息（如噪声统计与参数约束）进行训练时，深度神经网络（DNNs）可显著达到或超过CRB，从而实现高效相位解调。作为示例，我们开发并将DNNs应用于波长偏移干涉测量。当以噪声统计训练时，DNNs在相位灵敏度上优于传统算法并达到传统三参数CRB。进一步，通过将参数约束纳入训练集，它们可超过传统CRB。对于约束良好的参数，DNNs的相位灵敏度甚至可逼近我们所称的单参数CRB这一基本极限。此类灵敏度提升可在不修改硬件的情况下转化为信噪比的显著提升，或用于放宽硬件要求。
引用
@article{arxiv.2005.10606,
title = {Deep neural networks for efficient phase demodulation in wavelength shifting interferometry},
author = {Jacob Black and Shichao Chen and Joseph G. Thomas and Yizheng Zhu},
journal= {arXiv preprint arXiv:2005.10606},
year = {2020}
}
备注
10 pages, 10 figures