双限制物理增强未训练的神经网络,用于无镜头成像
概括
这项研究引入了用于无镜头成像的双约束未训练的神经网络 (UNN). 这种新方法克服了UNN过拟合,从强度数据中实现稳定和强大的相位检索.
科学领域:
- 计算机成像成像技术
- 应用物理学的应用物理学
- 机器学习 机器学习
背景情况:
- 无镜头成像提供了优势,但需要精确的相位检索.
- 未训练的神经网络 (UNN) 能够从强度数据进行成像,而无需大型数据集.
- 联合国核电站面临着过度装配的挑战,这阻碍了稳定和强大的重建.
研究的目的:
- 开发一种强大的相位检索方法,用于使用UNNs的无镜头成像.
- 为改善重建稳定性,解决UNN中的过问题.
- 引入双重限制的网络框架,用于强度转换为相位.
主要方法:
- 一个双约束的未训练网络被模拟为相位检索.
- 设计了一个相振幅交替优化框架.
- 阶段优化包括深度图像和总变异先验.
- 幅度优化使用了基于总变异无声化的维廷格梯度下降方法.
主要成果:
- 拟议的方法有效地将强度到阶段问题划分为不同的优化任务.
- 阶段和振幅的代优化导致了高性能波场重建.
- 实验结果验证了双约束UNN方法的优越性.
结论:
- 双约束的UNN框架成功地减轻了无镜头成像中的过拟合.
- 这种方法提供了一个稳定和强大的解决方案,用于从单强度数据中检索相位.
- 该方法表明,在推进无镜头成像技术方面,有很大的潜力.
