迈向物理信息循环对抗多PSF无透镜成像

无透镜成像已成为逆成像领域的一个有前景的领域，提供了紧凑、低成本的解决方案，有潜力彻底改变计算相机市场。通过规避透镜和反射镜等传统光学组件，基于掩模的无透镜成像等新颖方法消除了对传统硬件的需求。然而，无透镜图像重建的进步，特别是那些利用生成对抗网络（GAN）的进步，受到对数据驱动训练过程的依赖的阻碍，导致网络对成像系统的点扩散函数（PSF）具有特异性。这需要对微小的PSF变化进行完全重新训练，限制了跨不同成像场景的适应性和泛化能力。在本文中，我们介绍了一种新颖的多PSF无透镜成像方法，采用双判别器循环对抗框架。我们提出了一种独特的生成器架构，具有稀疏卷积的PSF感知辅助分支，并结合集成到训练循环中的前向模型，以促进物理信息学习，处理无透镜和有透镜图像之间的巨大领域差距。全面的性能评估和消融研究强调了我们模型的有效性，提供了鲁棒且适应性强的无透镜图像重建能力。我们的方法在单PSF情况下达到了与现有PSF无关生成方法相当的性能，并展示了在无需重新训练的情况下对PSF变化的鲁棒性。