基于可解释深度神经网络的散射介质位移无关相干成像
光学
2021-02-03 v2 图像与视频处理
摘要
散射介质中的相干成像是计算成像中的一项挑战性任务。基于模型与数据驱动的方法均已被探索用于求解逆散射问题。在我们之前的工作中，我们已经表明深度学习方法可通过未见的散射体实现高质量且高度泛化的预测。在此，我们提出一种新的深度神经网络（DNN）模型，该模型对更广泛的扰动类具有无关性，包括散射体变化、位移以及高达10倍景深的系统离焦。此外，我们开发了一个新的分析框架，基于无监督降维技术来解释我们的DNN模型的机制并可视化其泛化能力。我们表明，我们的DNN能够解混散射特异性信息并提取物体特异性信息，从而在不同散射条件下实现泛化。我们的工作为通过散射介质成像的高度鲁棒且可解释的深度学习方法铺平了道路。
引用
@article{arxiv.2005.07318,
title = {Displacement-agnostic coherent imaging through scatter with an interpretable deep neural network},
author = {Yuzhe Li and Shiyi Cheng and Yujia Xue and Lei Tian},
journal= {arXiv preprint arXiv:2005.07318},
year = {2021}
}