复杂介质中深度学习显微镜 Cram\'er-Rao 界的无模型估计
光学
2025-05-29 v1
摘要
人工神经网络已成为利用无序或随机光子系统复杂性的重要工具。近期应用包括从经过复杂散射介质传播后被扰乱的光中恢复信息，尤其是在无法测量确定性输入-输出传输矩阵这一极具挑战性的情况下。这自然引出了一个问题：信息论对该恢复过程施加了何种限制，以及神经网络能否真正达到这一限制。为回答这些问题，我们引入了一种无模型方法来计算 Cram\'er-Rao 界，该界设定了人工神经网络运行的最终精度极限。作为示例，我们在一项原理验证实验中应用了该方法，利用激光穿过无序介质传播，证明在定位隐藏于动态涨落散射介质后的反射目标这一极具挑战性的任务中，卷积网络逼近了最终精度极限。本文引入的无模型方法普遍适用于对任何深度学习显微镜的性能进行基准测试，推动算法发展，并将计量学与成像技术的精度推向其最终极限。
引用
@article{arxiv.2505.22330,
title = {Model-free estimation of the Cram\'er-Rao bound for deep-learning microscopy in complex media},
author = {Ilya Starshynov and Maximilian Weimar and Lukas M. Rachbauer and Günther Hackl and Daniele Faccio and Stefan Rotter and Dorian Bouchet},
journal= {arXiv preprint arXiv:2505.22330},
year = {2025}
}