SiSPRNet：用于单帧相位恢复端到端学习的网络
计算机视觉与模式识别
2022-07-29 v2 机器学习
图像与视频处理
光学
摘要
随着深度学习方法在许多图像处理任务中取得成功，深度学习方法近来也被引入相位恢复问题。这些方法不同于传统的迭代优化方法，它们通常只需要一次强度测量，并能够实时重建相位图像。然而，由于巨大的域差异，这些方法给出的重建图像质量仍有很大提升空间以满足一般应用需求。本文中，我们设计了一种名为 SiSPRNet 的新型深度神经网络结构，用于基于单次傅里叶强度测量的相位恢复。为有效利用测量的频谱信息，我们提出了一种以多层感知机（MLP）为前端的新特征提取单元。它允许输入强度图像的所有像素被共同考虑以探索其全局表示。MLP 的尺寸经过精心设计，以促进代表性特征的提取，同时降低噪声和离群值。还配备了 dropout 层以缓解训练 MLP 时可能的过拟合问题。为促进重建图像中的全局相关性，我们将自注意力机制引入所提 SiSPRNet 的上采样与重建（UR）块中。这些 UR 块被插入到残差学习结构中，以防止因其复杂层结构导致的弱信息流和梯度消失问题。我们使用不同的纯相位图像以及幅度和相位线性相关的图像测试数据集对所提模型进行了广泛评估。在光学实验平台上进行了实验，以了解不同深度学习方法在实际环境中的性能。
引用
@article{arxiv.2205.11434,
title = {SiSPRNet: End-to-End Learning for Single-Shot Phase Retrieval},
author = {Qiuliang Ye and Li-Wen Wang and Daniel P. K. Lun},
journal= {arXiv preprint arXiv:2205.11434},
year = {2022}
}