可微成像遇上自适应神经丢弃：透明物体断层扫描的进步方法
光学
2025-02-27 v1 生物物理
摘要
无标签的断层显微镜提供了一种从二维 (2D) 强度测量中可视化三维 (3D) 折射指数 (RI) 分布的有力手段。然而，局限于前向模型精度以及逆问题的欠定性质，导致无损重建受阻。与此同时，人工神经网络在建模非线性方面表现出色。本文采用可微成像框架，将 3D 样本表示为嵌入光传播物理约束的多层神经网络。基于此表述，我们提出了一种面向光学衍射断层扫描 (ODT) 的物理导引自适应丢弃神经网络 (ADNN)，关注网络拓扑和体素级 RI 保真度，而非仅关注输入-输出映射。通过利用样本 RI 的先验知识，ADNN 对神经元进行自适应丢弃和重新激活，从而提升重建精度和稳定性。我们使用大量仿真和实验验证了该方法，对不同成像 setups 下的弱散射和多散射样本进行评估。ADNN 显著改进了定量 3D RI 重建，提供更优的光学截面和有效抑制制造痕迹。实验结果表明，ADNN 相对于最先进的方法将平均绝对误差 (MAE) 降低 3 至 5 倍，将结构相似性指标 (SSIM) 提升约 4 至 30 倍。
引用
@article{arxiv.2502.19314,
title = {Differentiable Imaging Meets Adaptive Neural Dropout: An Advancing Method for Transparent Object Tomography},
author = {Delong Yang and Shaohui Zhang and Jiasong Sun and Chao Zuo and Qun Hao},
journal= {arXiv preprint arXiv:2502.19314},
year = {2025}
}
备注
30 pages, 17 figures