計(jì)算成像受益于未經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)

計(jì)算成像(CI)技術(shù)利用光學(xué)設(shè)備和計(jì)算算法來重建對象信息。CI的關(guān)鍵目標(biāo)是開發(fā)更高級的算法，以簡化硬件設(shè)備并提高成像質(zhì)量。

深度學(xué)習(xí)是功能最強(qiáng)大的算法之一，它使用深度神經(jīng)網(wǎng)絡(luò)從大量輸入/輸出數(shù)據(jù)對中學(xué)習(xí)，從而建立數(shù)據(jù)之間的映射關(guān)系。它已被廣泛用于CI，并已在許多成像問題中取得了最新的成果。但是，大多數(shù)現(xiàn)有的基于深度學(xué)習(xí)的CI方法在數(shù)據(jù)收集和歸納中都面臨挑戰(zhàn)。

在最近的一項(xiàng)研究中，科學(xué)院的研究人員描述了他們?nèi)绾谓Y(jié)合未經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)和物理知識來消除基于深度學(xué)習(xí)的CI方法的局限性。

負(fù)責(zé)人Situ Guohai教授說：“我們的成像方法不需要大量數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。它所需要的只是檢測器記錄的物體的測量以及從物體到測量的物理模型。”研究團(tuán)隊(duì)。

研究人員在無透鏡定量相位成像問題上演示了他們的技術(shù)，該問題需要重建在檢測階段丟失的相位信息。

新方法基于深度神經(jīng)網(wǎng)絡(luò)(DNN)，廣泛用于適應(yīng)來自許多訓(xùn)練數(shù)據(jù)對的不同映射函數(shù)的多層計(jì)算模型以及已經(jīng)建立了數(shù)百年的自由空間傳播原理研究。

研究人員求助于光學(xué)系統(tǒng)知識，以增強(qiáng)DNN的參數(shù)優(yōu)化。他們將測得的強(qiáng)度衍射圖樣輸入到隨機(jī)初始化的DNN(未經(jīng)訓(xùn)練)中，將DNN的輸出作為相位信息的估計(jì)，并根據(jù)自由空間傳播原理從估計(jì)的相位開始計(jì)算強(qiáng)度衍射圖樣的估計(jì)值。

然后，更新DNN中的參數(shù)，以最大程度地減少測量模式和估計(jì)模式之間的誤差。隨著誤差的最小化，DNN的輸出也收斂于實(shí)際相位信息。

SITU表示：“雖然大多數(shù)以前的基于深度學(xué)習(xí)的CI方法都使用了大量的訓(xùn)練數(shù)據(jù)來優(yōu)化DNN中的參數(shù)，但我們的方法卻利用了原始測量和物理模型。”“這是一種可用于重建不同種類對象的通用方法。”

研究人員通過使用其對相對象成像來測試他們的技術(shù)。新方法能夠使用單個強(qiáng)度衍射圖樣解析相位信息。

SITU說：“用于相位成像的新方法是單次非干涉測量方法，在顯微鏡和光學(xué)計(jì)量學(xué)中具有巨大潛力。此外，只要已知物理模型，各種CI方法也可以使用類似的框架，” 。

這項(xiàng)工作得到了科學(xué)院前沿科學(xué)重點(diǎn)研究計(jì)劃，中德中心和自然科學(xué)基金的支持。