面向太赫兹成像深度估计的混合多头物理驱动神经网络
光学
2024-07-09 v2
摘要
太赫兹(THz)成像是光学领域的热点之一，深度信息检索是恢复物体三维外观的关键因素。通过深度学习(DL)在可见光和红外波段实现了令人瞩目的深度提取效果。其中，大多数DL方法仅数据驱动，缺乏相关物理先验，因此需要大量实验数据来训练DL模型。然而，由于对环境和系统稳定性的要求以及数据获取过程耗时的限制，在THz领域获取大量训练数据具有挑战性。为克服这一限制，本文将代表THz图像形成过程的完整物理模型融入传统DL网络，以检索物体的深度信息。最显著的优势在于无需预训练，从而消除了对数十万标记数据的需求。通过实验验证，我们展示，通过对平面物体的上半部分和下半部分分别进行掩码处理以产生衍射图案，所提出的物理驱动神经网络(PNN)可自动优化并最终通过NN与物理模型之间的相互作用来重构物体的深度。获得的结果代表了实现基于参考自由束和低成本功率检测的快速全息THz成像的初始步骤。
引用
@article{arxiv.2405.18317,
title = {Hybrid Multi-Head Physics-informed Neural Network for Depth Estimation in Terahertz Imaging},
author = {Mingjun Xiang and Hui Yuan and Kai Zhou and Hartmut G. Roskos},
journal= {arXiv preprint arXiv:2405.18317},
year = {2024}
}