快照光谱成像基于偏差模型驱动的深度学习

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
• 机器学习用于成像.

背景情况:

• 编码的孔径快照光谱成像 (CASSI) 能够获得一次性超光谱图像 (HSI).
• 在CASSI系统中的光学误差降低了重建的HSI的质量.
• 由于这些偏差,当前的深度学习方法与现实世界的CASSI数据扎.

研究的目的:

• 开发一种可靠的方法,从低分辨率CASSI测量中恢复高分辨率HSI.
• 解决现有的深度学习技术的性能限制,这是由光学偏差引起的.
• 提高CASSI重建算法的适应性和通用性.

主要方法:

• 使用光谱成像模拟生成了模拟CASSI光学偏差的现实训练数据.
• 在模拟数据上训练了一个生成网络,以从模糊和扭曲的CASSI测量中恢复HSI.
• 开发了一种适应光学系统退化模型以提高强度的方法.

主要成果:

• 与现有方法相比,重建的HSI显著提高了图像质量.
• 在模拟和真实世界的CASSI数据上证明了改进的重建稳定性.
• 验证了该方法在不同CASSI系统配置中的适用性.

结论:

• 提出的生成网络方法有效地减轻了CASSI中的光学偏差.
• 该方法提供了一种可靠的解决方案,用于从降解测量的高分辨率HSI重建.
• 这种技术在提高各种CASSI系统的性能方面表现有前途.