Storstilet fase-hentning

Bredt synsfelt og høj opløsning er begge ønskelige til billedbehandlingsapplikationer, at levere multidimensionel og multi-skala målinformation. Som den seneste udvikling af fasebilleddannelse, storskaladetektion er blevet anvendt i vid udstrækning i en række billeddannelsesmodaliteter, som i vid udstrækning udvider det rumlige båndbreddeprodukt (SBP) af optiske systemer fra millionskala til milliardskala. En så stor mængde data udgør en stor udfordring for post-phase retrieval (PR) behandling. Derfor, storskala PR-teknik med lav beregningskompleksitet og høj kvalitet er af stor betydning for disse billeddannelses- og perceptionsapplikationer i forskellige dimensioner. Imidlertid, de eksisterende PR-algoritmer lider under afvejningen mellem lav beregningskompleksitet, robusthed over for målestøj og stærk generalisering, gør dem uanvendelige til generel storstilet fasehentning.

I en nyligt offentliggjort forskningsartikel i eLight , et hold af videnskabsmænd, ledet af professor Jun Zhang fra Beijing Institute of Technology, Kina har udviklet en effektiv storstilet fasegenfindingsteknik til realisering af high-fidelity faseafbildning i komplekse domæner. De kombinerer den konventionelle optimeringsalgoritme med deep learning teknikken og realiserer lav beregningskompleksitet, robusthed over for målestøj og stærk generalisering. De sammenligner den rapporterede metode med de eksisterende PR-metoder på tre billeddannelsesmodaliteter, inklusive kohærent diffraktionsbilleddannelse (CDI), kodet diffraktionsmønsterbilleddannelse (CDP) og Fourier ptykografisk mikroskopi (FPM).

Resultaterne bekræfter, at sammenlignet med algoritmen for alternerende projektion (AP), den rapporterede teknik er robust til at måle støj med så meget som 17dB forbedring af signal-til-støj-forholdet. Sammenlignet med de optimeringsbaserede algoritmer, køretiden er væsentligt reduceret med mere end én størrelsesorden. Udover, de demonstrerer for første gang ultra-stor-skala fase-hentning på 8K-niveau i minut-niveau tid.

Den rapporterede PR-teknik bygger på plug-and-play (PNP) optimeringsramme, og udvider den effektive generaliseret-alternerende-projektion (GAP) strategi fra virkeligt rum til ikke-lineært rum. Disse videnskabsmænd opsummerer karaktererne af deres teknik:"PNP-GAP-skemaet med komplekst felt sikrer en stærk generalisering af vores teknik på forskellige billeddannelsesmodaliteter, og udkonkurrerer de konventionelle PNP-teknikker med færre hjælpevariable, lavere beregningskompleksitet og hurtigere konvergens."

"Under GAP-ramme, fasehentningsproblemet er dekomponeret med to delproblemer. Vi introducerede henholdsvis en alternerende projektionsløser og et forbedrende neuralt netværk for at løse de to underproblemer. Disse to løsere kompenserer hinandens mangler, gør det muligt for optimeringen at omgå den dårlige generalisering af dyb læring og dårlig støj robusthed af AP.

"Der fordel af den fleksible optimeringsramme, vores teknik er i stand til at introducere de bedste løsere i fremtiden for at opdatere sig selv. Udover, det er interessant at undersøge indflydelsen af ​​at anvende andre billedforbedrende løsere såsom super-opløsning neurale netværk, sløring af netværk og netværk til fjernelse af forvrængning. Dette kan åbne ny indsigt for fasegenfinding med yderligere boostet kvalitet, " skriver forskerne.