学习提升光圈相位场以实现非视线成像

本文旨在通过减少采样次数和扫描区域，以实现更实用的非视线成像。为此，我们引入了基于相位的增强网络，能够从噪声部分观测中预测出干净且完整的测量数据。我们利用去噪自编码器方案，在测量空间中获取丰富且抗噪声的表征。通过这一流程，我们的增强网络被训练以准确地从其损坏和部分对应的完整测量数据进行重建。然而，我们注意到，单纯应用去噪会导致结果变得质疑且过于平滑，原因是测量中存在的不需要的和不实的频率信号。为解决此问题，我们引入了基于相位的管道，旨在将网络的频谱限制在感兴趣的频率范围内，其中检测到大部分有信息的信号。所谱面板处的相位波前，这些是受限频谱的信号，被用作网络的输入和输出，引导我们的网络从感兴趣的频率范围学习并丢弃不必要的信息。实验结果在更实际的获取场景下表明，我们可以以$16\times$或$64\times$更少的采样和$4\times$更小的光圈来环顾拐角。我们的代码可在 https://github.com/join16/LEAP 获取。