物理模型引导的智能相位成像

• Published in: 物联网学报 Vol. 7; no. 2; pp. 35 - 42
• Main Authors: 刘振, 朱昊, 周游, 马展, 曹汛
• Format: Journal Article
• Language: Chinese
• Published: 南京大学医学院,江苏 南京 210093 2023; 南京大学电子科学与工程学院,江苏 南京 210023; 南京大学计算机科学与技术系,江苏 南京 210023%南京大学电子科学与工程学院,江苏 南京 210023%南京大学电子科学与工程学院,江苏 南京 210023
• Subjects: 元学习; 自监督学习; 物理模型; 隐式神经表示; 相位成像
• ISSN: 2096-3750
• DOI: 10.11959/j.issn.2096?3750.2023.00345

TN26; 隐式神经表示使用神经网络刻画了信号坐标到其属性的映射,通过将正向物理过程引入误差函数的设计中,可被用于求解各种逆问题,应用前景广阔.然而,对隐式神经表示的网络参数进行随机初始化会导致优化速度慢、求解精度低,因此,提出使用元学习算法为隐式神经表示提供一个具有强先验的初始化参数,从而提升求解逆问题时的优化速度和求解精度.针对无透镜相位成像这一重要问题,基于快照式无透镜感知模型提出一种智能相位成像方法,将光学衍射传播理论引入隐式神经表示的误差函数设计中,能够消除传统深度学习算法对大规模数据集的依赖,仅需要传感器记录的单张强度图像,即可实现对样本的高精度相位恢复.此外,通过在网络初始化中引入元学习模型,进一步提升网络训练的效率和精度.数值仿真结果表明,与传统方法相比,所提方法能够获得11 dB以上的峰值信噪比(PSNR,peak signal-to-noise ratio)提升;在真实数据中的实验结果表明,所提方法重建出的相位图像更加清晰,伪影更少.