低光子预算下基于感知损失训练深度神经网络的相位恢复
图像与视频处理
2019-06-14 v1
摘要
深度神经网络(DNNs)是求解不适定问题的高效求解器,并已在若干计算成像问题中被证明优于经典优化技术。训练 DNNs 需要求解一个优化问题,这意味着要选择适当的损失函数,即待优化的函数。在最近的一篇论文[A. Goy \textit{et al.}, Phys. Rev. Lett. 121(24), 243902 (2018)]中,我们表明以负皮尔逊相关系数为损失函数训练的 DNNs 特别适合光子匮乏的相位恢复问题,这类问题从根本上受到强泊松噪声的影响。在本文中,我们证明使用感知损失函数可显著改善重建结果。
引用
@article{arxiv.1906.05687,
title = {Low Photon Budget Phase Retrieval with Perceptual Loss Trained Deep Neural Networks},
author = {Mo Deng and Alexandre Goy and Shuai Li and Kwabena Arthur and George Barbastathis},
journal= {arXiv preprint arXiv:1906.05687},
year = {2019}
}