面向实用单帧相位恢复的物理驱动深度神经网络
图像与视频处理
2022-08-19 v1 人工智能
计算机视觉与模式识别
光学
摘要
相位恢复（PR）是一项长期存在的挑战，旨在从仅含傅里叶强度的测量中恢复复值信号，因其在数字成像中的广泛应用而备受关注。近来，基于深度学习的方法在单帧相位恢复方面取得了一定成功。这些方法仅需一次傅里叶强度测量，无需对测量数据施加任何额外约束。然而，由于 PR 问题的输入与输出域之间存在显著差异，普通深度神经网络（DNN）性能不佳。物理信息方法试图将傅里叶强度测量纳入迭代方法中以提高重建精度，但这需要冗长的计算过程，且精度仍无法保证。此外，许多此类方法在仿真数据上工作，忽略了实际光学 PR 系统中诸如饱和与量化误差等常见问题。本文提出了一种称为 PPRNet 的新型物理驱动多尺度 DNN 结构。与其他基于深度学习的 PR 方法类似，PPRNet 仅需一次傅里叶强度测量。它是物理驱动的，即网络在不同尺度上受傅里叶强度测量引导以增强重建精度。PPRNet 具有前馈结构且可端到端训练，因此比传统物理驱动 PR 方法更快、更准。我们在实际光学平台上进行了大量仿真与实验，结果表明所提出的 PPRNet 优于传统基于学习的 PR 方法，且具有实用性。
引用
@article{arxiv.2208.08604,
title = {Towards Practical Single-shot Phase Retrieval with Physics-Driven Deep Neural Network},
author = {Qiuliang Ye and Li-Wen Wang and Daniel Pak-Kong Lun},
journal= {arXiv preprint arXiv:2208.08604},
year = {2022}
}