DH-GAN：一种基于物理驱动的无训练生成对抗网络用于数字全息三维显微成像
信息检索
2022-07-14 v2 计算机视觉与模式识别
摘要
数字全息是一种三维成像技术，通过向物体发射具有平面波前的激光束并测量衍射波形的强度（称为全息图）来工作。物体的三维形状可通过对所捕获全息图进行数值分析并恢复所产生的相位来获得。近来，深度学习方法已被用于更精确的全息处理。然而，大多数监督方法需要大型数据集来训练模型，而在大多数数字全息(DH)应用中，由于样本稀缺或隐私问题，这类数据很少可得。现有少数一次性基于DL的恢复方法不依赖大型配对图像数据集。尽管如此，此类方法大多忽视支配波传播的底层物理定律。它们提供黑箱操作，不可解释、不可泛化且不可迁移至其他样本与应用。本工作中，我们提出一种基于生成对抗网络的新DL架构，其利用判别网络实现重建质量的语义度量，同时用生成网络作为函数逼近器来建模全息图形成的逆过程。我们通过由模拟退火驱动渐进掩膜模块对恢复图像的背景部分施加平滑性，以提升重建质量。所提方法独具特色地展现出对相似样本的高迁移性，可在时间敏感应用中快速部署而无需重新训练网络。结果显示，相较于对比方法，重建质量显著提升（约5 dB PSNR增益），且对噪声鲁棒性增强（PSNR随噪声增长率的下降约减少50%）。
引用
@article{arxiv.2205.12920,
title = {DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography},
author = {Xiwen Chen and Hao Wang and Abolfazl Razi and Michael Kozicki and Christopher Mann},
journal= {arXiv preprint arXiv:2205.12920},
year = {2022}
}