通过模型驱动的CycleGAN解决FZA无镜头成像中的模型不匹配和失焦问题

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
• 机器学习应用 机器学习应用

背景情况:

• 基于面具的无镜头成像系统面临诸如模型不匹配和失焦等挑战,限制了重建质量.
• 在长距离上准确的对象重建仍然是无镜头成像中的一个重大障碍.

研究的目的:

• 引入一种新的深度学习方法,MDGAN,用于基于面具的无透镜成像中增强对象重建.
• 在远距离成像场景中解决和减轻模型不匹配和失焦的影响.

主要方法:

• 提出了一个以模型驱动的CycleGAN (MDGAN),有两个翻译周期:一个用于对象,一个用于测量.
• 整合了一个前向传播模块,一个弗雷内尔区域光圈摄像头 (FZACam) 模型和一个CNN用于不匹配补偿.
• 使用类似于Wiener-U-Net的向后重建模块,具有循环一致性,以适应不同深度的成像过程.

主要成果:

• 与现有方法相比,MDGAN显示出优越的图像重建质量.
• 该系统甚至使用模拟或校准成像模型实现了高质量的成像.
• 后向模块的自适应性有效匹配不同深度的成像条件.

结论:

• MDGAN提供了一个强大的解决方案,用于改善基于面具的无透镜成像系统的图像质量.
• 提出的方法有效地处理模型不匹配和失焦,使长距离重建成为可能.
• MDGAN的适应性使得它有可能适用于更广泛的基于面具的成像系统.