通过无监督的轻量级局部-全球网络进行编码的孔径压缩时间成像,具有几何特征

科学领域:

• 光学和光子学 在光学和光子学.
• 计算机视觉 计算机视觉
• 信号处理 信号处理

背景情况:

• 编码光圈压缩时空成像 (CACTI) 使用压缩传感 (CS) 在单一快照中捕获高维 (HD) 信号.
• 深度学习在信号重建方面表现出色,但通常需要大型模型和广泛的训练数据集,从而限制了实际应用.

研究的目的:

• 开发一个轻量级的深度学习网络,从噪音,压缩测量中重建高清信号.
• 设计一种无监督重建方法,克服光学成像中的传统监督深度学习方法的局限性.

主要方法:

• 提出了一种轻量级的卷积神经网络架构,旨在从压缩测量中提取和融合本地和全球特征.
• 开发了基于信号几何性质的无监督损失函数,以增强真实光学系统的网络概括性.
• 在多层网络中实现了用于特征提取和融合的新块结构.

主要成果:

• 与现有方法相比,拟议的轻量级网络显著减少了模型大小.
• 从压缩测量中重建动态场景,实现了高性能.
• 无监督重建网络的表现与监督对应网络的表现相当.

结论:

• 开发的轻量级,无监督网络为CACTI系统中的高清信号重建提供了高效和有效的解决方案.
• 这种方法通过减少数据和计算要求,扩大了深度学习在现实世界的光学成像中的适用性.
• 无监督方法为监督学习提供了一个可行的替代方案,实现了强大的概括和重建质量.