训练样本的光谱预调制增强相位提取神经网络（PhENN）的空间分辨率
图像与视频处理
2018-11-14 v1 光学
摘要
相位提取神经网络（PhENN）是一种基于深度机器学习、从原始强度数据中进行无透镜定量相位恢复的计算架构。PhENN 是一个通过由真实相位物体及其对应强度衍射图样组成的样本对训练得到的深度卷积神经网络；此后，给定测试原始强度图样，PhENN 能够鲁棒地重建原始相位物体，在许多情况下甚至对于训练样本所取自的数据库之外的物体亦可如此。在此，我们表明训练样本的空间频率内容是导致 PhENN 空间频率响应受限的重要因素。例如，若训练数据库在高空间频率上相对稀疏（正如大多数自然场景那样），PhENN 分辨测试图样中精细空间特征的能力将相应受限。为解决此问题，我们提出在将训练样本输入 PhENN 之前对其功率谱密度进行“展平”。对于遵循自然场景统计特性的相位物体，我们通过实验证明该光谱预调制方法将 PhENN 的空间分辨率提升了 2 倍。
引用
@article{arxiv.1808.10753,
title = {Spectral pre-modulation of training examples enhances the spatial resolution of the Phase Extraction Neural Network (PhENN)},
author = {Shuai Li and George Barbastathis},
journal= {arXiv preprint arXiv:1808.10753},
year = {2018}
}
备注
12 pages, 10 figures