Noise2Ghost：基于自监督深度卷积的幽灵成像重建
计算机视觉与模式识别
2026-03-06 v3 机器学习
数据分析、统计与概率
摘要
我们提出了一种新的自监督深度学习驱动的 Ghost Imaging（GI）重建方法，能够在无监督方法中提供空前的噪声图像重建质量。我们呈现了支持性的数学框架以及来自理论与实际数据的使用结果。自监督方式无需干净的参考数据，同时提供强大的噪声抑制。这为解决 GI 获取在新兴前沿低光 GI 场景中的信噪比问题提供了必要工具。值得注意的例子包括微米及纳米尺度的 X射线发射成像，例如用于剂量敏感样本的 X射线荧光成像。其应用包括生物样本的体内和原位研究案例。
引用
@article{arxiv.2504.10288,
title = {Noise2Ghost: Self-supervised deep convolutional reconstruction for ghost imaging},
author = {Mathieu Manni and Dmitry Karpov and K. Joost Batenburg and Sharon Shwartz and Nicola Viganò},
journal= {arXiv preprint arXiv:2504.10288},
year = {2026}
}