基于深度期望一致性近似的快速稳健相位检索
计算机视觉与模式识别
2024-11-27 v2 信息论
math.IT
摘要
从无相位测量中准确恢复图像是一项具有挑战性且长期存在的问题。本文提出一种名为 deepECpr 的方法，将期望一致性（EC）近似与深度去噪网络结合，超越当前在速度和准确性上的最先进相位检索方法。除了以非传统方式应用 EC 外，deepECpr 还包含一种灵感来自最近扩散方法的新型随机阻尼方案。类似于基于插拔式先验、去噪正则化或扩散的现有相位检索方法，deepECpr 在迭代去噪阶段与测量利用阶段之间进行迭代。但与现有方法不同，deepECpr 所需的去噪调用次数显著减少。我们将 deepECpr 与 prDeep（Metzler 等，2018）、Deep-ITA（Wang 等，2020）、DOLPH（Shoushtari 等，2023）以及 Diffusion Posterior Sampling（Chung 等，2023）等最先进方法进行比较，对彩色、自然及非自然灰度图像进行噪声相位检索，使用过采样 Fourier 和编码衍射图案测量，结果在 PSNR 和 SSIM 上均有显著提升，且去噪调用次数更少。
引用
@article{arxiv.2407.09687,
title = {Fast and Robust Phase Retrieval via Deep Expectation-Consistent Approximation},
author = {Saurav K. Shastri and Philip Schniter},
journal= {arXiv preprint arXiv:2407.09687},
year = {2024}
}