基于深度学习的单个像素成像增强了单个值分解
Youquan Deng1, Rongbin She1,2, Wenquan Liu1,2
1CAS Key Laboratory of Human-Machine Intelligence-Synergy Systems, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China.
Sensors (Basel, Switzerland)
|May 25, 2024
概括
我们开发了一种新的单像素成像方法,使用深度学习和单一值分解. 这种技术可以提高图像质量和防噪性能,即使数据有限,也可用于更广泛的应用.
科学领域:
- 计算成像技术的成像
- 机器学习应用 机器学习应用
- 光学传感传感器是什么?
背景情况:
- 单像素成像 (SPI) 传统上依赖于预定义的模式,如哈达马德序列.
- 深度学习方法,如深度卷积自动编码器,在SPI中显示出了希望.
- 现有的SPI方法在重建质量方面面临挑战,特别是在较低的采样比率下.
研究的目的:
- 提出并展示一种新的单像素成像方法.
- 提高SPI系统中的图像重建质量和稳定性.
- 探索该方法在可见光谱之外的应用中的潜力.
主要方法:
- 开发一种单像素成像方法,将深度学习与奇数值分解 (SVD) 整合在一起.
- 深度学习增强SVD (DL-SVD) 方法的理论框架和实验实施.
- 与传统的哈达马德模式和深度卷积自编码器 (DCAE) 网络方法进行比较.
主要成果:
- DL-SVD方法实现了优越的图像重建质量,特别是在较低的采样比率 (降至3.12%) 时.
- 拟议的方法需要更少的测量或更短的采集时间,以获得可比的图像质量.
- 证明了增强的抗噪声性能和改善了对未经训练的目标的概括性.
结论:
- 深度学习增强的SVD方法比传统的SPI技术具有显著的优势.
- 该方法在具有挑战性的条件下 (低采样,噪音) 提供了强大的,高质量的图像重建.
- 在单像素成像中广泛应用的潜力,包括非可见光谱范围.
