傅里叶成像网络（FIN）：一种具有优异外推泛化能力的全息图重建深度神经网络
计算机视觉与模式识别
2022-08-17 v1 机器学习
光学
摘要
基于深度学习的图像重建方法在相位恢复和全息成像中取得了显著成功。然而，其图像重建性能对网络从未见过的新类型样本的泛化仍是一项挑战。本文引入一种称为傅里叶成像网络（FIN）的深度学习框架，可对新型样本的raw全息图进行端到端相位恢复与图像重建，在外推泛化上展现出前所未有的成功。FIN 架构基于空间傅里叶变换模块，利用可学习滤波器和全局感受野处理输入的空间频率。与现有用于全息图重建的卷积深度神经网络相比，FIN 对新类型样本表现出更优的泛化能力，同时图像推理速度也快得多，每 1 mm^2 样本面积完成全息图重建仅需约 0.04 s。我们通过用人肺组织样本训练 FIN 并对人类前列腺、唾液腺组织和巴氏涂片样本进行盲测，实验验证了其性能，证明其优异的外推泛化与图像重建速度。除全息显微与定量相位成像外，FIN 及底层神经网络架构或为计算成像与机器视觉领域设计广泛可泛化深度学习模型开辟新机遇。
引用
@article{arxiv.2204.10533,
title = {Fourier Imager Network (FIN): A deep neural network for hologram reconstruction with superior external generalization},
author = {Hanlong Chen and Luzhe Huang and Tairan Liu and Aydogan Ozcan},
journal= {arXiv preprint arXiv:2204.10533},
year = {2022}
}
备注
19 Pages, 5 Figures, 1 Table