概括
对于复杂波面检索 (CWR) 的深度学习通常会对数据进行裁剪,从而降低分辨率. 我们的新IPMnet使用全衍射模式来实现更高分辨率的CWR,平衡计算成本和数据质量.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算成像技术的成像
- 人工智能的人工智能
背景情况:
- 深度学习 (DL) 显示出复杂的波面检索 (CWR) 的前景.
- 目前用于CWR作物衍射模式的DL方法,为了计算效率而牺牲空间带宽乘积 (SBP).
- 这种裁剪限制了波重建中可实现的分辨率和视野.
研究的目的:
- 开发一种基于DL的CWR方法,克服剪切衍射模式的局限性.
- 提出一个成像过程匹配神经网络 (IPMnet),可以保存光数据的完整SBP.
- 在复杂的波面检索中实现更高的分辨率和更大的视野.
主要方法:
- 开发了一个成像过程匹配的神经网络 (IPMnet).
- IPMnet的设计是为了处理全尺寸的衍射模式,保持一个大的SBP.
- 网络架构是量身定制的,以与物理衍射过程保持一致.
主要成果:
- IPMnet成功地从全尺寸衍射模式中检索出复杂的波面.
- 该方法表现出与剪切输入方法相比,更好的分辨率和更大的视野.
- 通过数值模拟和实验数据验证了有效性.
结论:
- 在基于DL的CWR中,IPMnet为计算资源和SBP之间的权衡提供了解决方案.
- 拟议的方法通过利用完整的衍射信息来提高复杂波面检索的性能.
- IPMnet 提升了DL的功能,用于高保真波线重建.
