基于物理驱动的自训练神经网络重建部分遮挡物体
光学
2024-08-26 v1 图像与视频处理
摘要
本研究提出了一种新颖方法，利用物理信息深度学习算法在太赫兹（THz）全息系统中重建被遮挡物体。以角谱理论为先验知识，我们生成了一个包含一系列包含物体信息的衍射图案的数据集。该数据集与实验测量的未标记数据相结合，用于物理信息神经网络的自训练。在训练过程中，神经网络迭代地预测未标记数据的结果，并将这些结果重新纳入训练集。这种递归策略不仅降低了噪声，还最大限度地减少了物体重建过程中的相互干扰，即使在数据稀缺的情况下也证明了其有效性。该方法已通过模拟和实验数据验证，展示了其在推动太赫兹三维成像领域发展的巨大潜力。此外，它为快速、无参考和低成本的功率检测设立了新的基准。
引用
@article{arxiv.2408.13066,
title = {Reconstruction of partially occluded objects with a physics-driven self-training neural network},
author = {Mingjun Xiang and Kai Zhou and Hui Yuan and Hartmut G. Roskos},
journal= {arXiv preprint arXiv:2408.13066},
year = {2024}
}