計算成像受益于未經(jīng)訓練的神經(jīng)網(wǎng)絡

計算成像(CI)技術利用光學設備和計算算法來重建對象信息。CI的關鍵目標是開發(fā)更高級的算法，以簡化硬件設備并提高成像質(zhì)量。

深度學習是功能最強大的算法之一，它使用深度神經(jīng)網(wǎng)絡從大量輸入/輸出數(shù)據(jù)對中學習，從而建立數(shù)據(jù)之間的映射關系。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)有的基于深度學習的CI方法在數(shù)據(jù)收集和歸納中都面臨挑戰(zhàn)。

在最近的一項研究中，科學院的研究人員描述了他們?nèi)绾谓Y(jié)合未經(jīng)訓練的神經(jīng)網(wǎng)絡和物理知識來消除基于深度學習的CI方法的局限性。

負責人Situ Guohai教授說：“我們的成像方法不需要大量數(shù)據(jù)來訓練神經(jīng)網(wǎng)絡。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。”研究團隊。

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，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(DNN)，廣泛用于適應來自許多訓練數(shù)據(jù)對的不同映射函數(shù)的多層計算模型以及已經(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系統(tǒng)知識，以增強DNN的參數(shù)優(yōu)化。他們將測得的強度衍射圖樣輸入到隨機初始化的DNN(未經(jīng)訓練)中，將DNN的輸出作為相位信息的估計，并根據(jù)自由空間傳播原理從估計的相位開始計算強度衍射圖樣的估計值。

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模式之間的誤差。隨著誤差的最小化，DNN的輸出也收斂于實際相位信息。

SITU表示：“雖然大多數(shù)以前的基于深度學習的CI方法都使用了大量的訓練數(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。新方法能夠使用單個強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，在顯微鏡和光學計量學中具有巨大潛力。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，” 。

這項工作得到了科學院前沿科學重點研究計劃，中德中心和自然科學基金的支持。