LWGNet：用于傅里叶叠层相位恢复的学习化Wirtinger梯度
计算机视觉与模式识别
2022-08-17 v2
摘要
傅里叶叠层显微镜(FPM)是一种通过计算方法克服传统显微镜空间带宽积(SBP)限制的成像过程。它利用低数值孔径(NA)物镜捕获的多幅图像，并通过频域拼接实现高分辨率相位成像。现有FPM重建方法可大致分为两类：基于迭代优化的方法(基于前向成像模型的物理)和通常采用前馈深度学习框架的数据驱动方法。我们提出一种混合模型驱动残差网络，将前向成像系统的知识与深度数据驱动网络相结合。我们提出的架构LWGNet，将传统Wirtinger流优化算法展开为一种新颖的神经网络设计，通过复卷积块增强梯度图像。与其他传统展开技术不同，LWGNet使用更少的阶段，同时性能与现有传统和深度学习技术相当甚至更优，特别是对于低成本、低动态范围CMOS传感器。这种在低比特深度和低成本传感器上性能的改进有潜力显著降低FPM成像装置的成本。最后，我们在收集的真实数据上展示了持续改进的性能。
引用
@article{arxiv.2208.04283,
title = {LWGNet: Learned Wirtinger Gradients for Fourier Ptychographic Phase Retrieval},
author = {Atreyee Saha and Salman S Khan and Sagar Sehrawat and Sanjana S Prabhu and Shanti Bhattacharya and Kaushik Mitra},
journal= {arXiv preprint arXiv:2208.04283},
year = {2022}
}