PhaseGAN:一种面向非配对数据集的深度学习相位恢复方法
图像与视频处理
2021-07-07 v2 光学
摘要
基于深度学习的相位恢复方法提供了一个从强度全息图或衍射图中以鲁棒且实时方式获取相位信息的框架。然而,当前应用于相位问题的深度学习架构依赖于 i) 配对数据集,即仅当找到相位问题的满意解时才适用;以及 ii) 大多数忽略成像过程物理事实。本文提出 PhaseGAN,一种基于生成对抗网络(GAN)的新深度学习方案,其允许使用非配对数据集并包含图像形成的物理。通过纳入图像形成物理,我们方法的性能得到增强,并在传统相位恢复算法失效(如超快实验)时提供相位重建。因此,PhaseGAN 在无可用的相位重建但具备物体良好模拟或其他实验数据时,提供了解决相位问题的机会,使我们能获得以往无法取得的结果。
引用
@article{arxiv.2011.08660,
title = {PhaseGAN: A deep-learning phase-retrieval approach for unpaired datasets},
author = {Yuhe Zhang and Mike Andreas Noack and Patrik Vagovic and Kamel Fezzaa and Francisco Garcia-Moreno and Tobias Ritschel and Pablo Villanueva-Perez},
journal= {arXiv preprint arXiv:2011.08660},
year = {2021}
}