穆勒矩阵极化计深度学习的物理一致图像增强
计算机视觉与模式识别
2025-07-23 v2 医学物理
摘要
穆勒矩阵极化计捕获关于样本与偏振光相互作用的关键信息，为深度学习中的数据增强带来了独特挑战。虽然增强是有效且经济的方式，用于提高数据集多样性和减少过拟合，但诸如旋转和翻转等标准变换并未在穆勒矩阵图像上保持偏振特性。为此，我们引入一个通用仿真框架，对穆勒矩阵应用物理一致的旋转和翻转，以维持偏振保真度。我们的实验结果表明，针对极化数据应用常规增强可导致结果被伪造，凸显了基于物理的必要性。我们首先将我们的偏振特性增强与真实捕获进行比较，以验证其物理一致性。随后，我们在语义分割任务中应用这些增强，实现了模型泛化和性能的显著提升。本研究凸显了在深度学习中对极化成像进行物理信息化数据增强的必要性，为该领域更广泛的应用和更稳健的研究铺平了道路。特别是，我们的框架使深度学习模型能够处理样本数有限的极化数据集。我们的代码实现已公开于 github.com/hahnec/polar_augment。
引用
@article{arxiv.2411.07918,
title = {Physically Consistent Image Augmentation for Deep Learning in Mueller Matrix Polarimetry},
author = {Christopher Hahne and Omar Rodriguez-Nunez and Éléa Gros and Théotim Lucas and Ekkehard Hewer and Tatiana Novikova and Theoni Maragkou and Philippe Schucht and Richard McKinley},
journal= {arXiv preprint arXiv:2411.07918},
year = {2025}
}
备注
preprint