物理受约束无监督深度学习用于快速,高分辨率扫描连贯衍射重建
Oliver Hoidn1, Aashwin Ananda Mishra2, Apurva Mehta2
1SLAC National Accelerator Laboratory, Menlo Park, CA, USA. ohoidn@slac.stanford.edu.
Scientific reports
|December 20, 2023
概括
我们开发了PtychoPINN,这是一种无监督的深度学习方法,用于更快,更高质量的成像. 这种基于物理学的神经网络可以提高像X射线成像等应用的分辨率和重建速度.
科学领域:
- 光学和成像科学科学 光学和成像科学
- 计算物理 计算物理
- 机器学习应用 机器学习应用
背景情况:
- 一致衍射成像 (CDI) 和光学图像学克服了光学分辨率的限制.
- 在CDI和图形学中,代阶段恢复是耗时的,阻碍了实时应用.
- 监督深度学习加速了重建,但损害了图像质量,需要大量的标记数据.
研究的目的:
- 介绍PtychoPINN,一个无监督的物理信息神经网络,用于快速和高准确度的图像重建.
- 解决现有方法的局限性,包括速度,图像质量和数据要求.
主要方法:
- 开发了PtychoPINN,一个不受监督的物理信息的神经网络.
- 结合衍射前景图与重叠测量的真实空间约束.
- 利用无监督学习来避免需要标记的训练数据.
主要成果:
- 与传统方法相比,在重建方面实现了100至1000的加快速度.
- 线性分辨率提高了4.0倍.
- 图像质量提高,峰值信号噪声比 (PSNR) 提高了8dB.
- 证明了改进的重建方法的概括性和稳定性.
结论:
- PtychoPINN为实时成像提供了计算效率和高性能的混合.
- 该方法在像X射线自由电子激光器 (XFELs) 等设施的高通量应用中显示出显著的希望.
- 通过克服当前的速度和质量权衡,PtychoPINN推进了高分辨率成像领域.
