PgNN：用于傅里叶叠层显微成像的物理引导神经网络
图像与视频处理
2019-09-20 v1 计算机视觉与模式识别
摘要
傅里叶叠层成像（FP）是一种新近发展的计算成像方法，它通过拼接一系列在变角度照明下捕获的低分辨率图像来实现高分辨率与宽视场。迄今为止，许多有监督的数据驱动模型已被应用于求解逆成像问题。这些模型需要大量数据进行训练，并受限于数据集特性。在FP问题中，通用数据集往往稀缺，且光学像差在不同采集条件下差异很大。为应对这些困境，我们将前向物理成像过程建模为一个可解释的物理引导神经网络（PgNN），其中复域中的重建图像被视为神经网络的可学习参数。由于PgNN的最优参数可通过最小化模型生成图像与对应同一场景的真实捕获变角度图像之间的差异来导出，所提出的PgNN能够摆脱传统有监督方法中大量训练数据的问题。应用交替更新机制与全变分正则化，PgNN可灵活重建图像并提升性能。此外，引入泽尔尼克模式以补偿光学像差，增强FP重建的鲁棒性。作为演示，我们展示了该方法在模拟与实验数据集上均能平滑且具细节信息地重建图像。特别地，在一项高离焦、高曝光组织切片数据集的扩展验证中，PgNN以更少的伪影和可分辨结构优于传统FP方法。
引用
@article{arxiv.1909.08869,
title = {PgNN: Physics-guided Neural Network for Fourier Ptychographic Microscopy},
author = {Yongbing Zhang and Yangzhe Liu and Xiu Li and Shaowei Jiang and Krishna Dixit and Xinfeng Zhang and Xiangyang Ji},
journal= {arXiv preprint arXiv:1909.08869},
year = {2019}
}