概括
本研究介绍了一种两阶段的深度学习网络,用于在散射介质中进行传输矩阵 (TM) 测量和图像重建. 这种新的方法减少了数据需求,并且在使用最小的训练数据的情况下实现了高质量的成像.
科学领域:
- 光学成像技术的成像
- 计算成像技术的成像
- 深度学习应用程序
背景情况:
- 通过散射介质成像的深度学习 (DL) 方法往往缺乏物理原理.
- 现有的DL方法通常需要广泛的,完整的训练数据集,用于传输矩阵 (TM) 测量和图像重建.
研究的目的:
- 为高效的TM测量和图像重建提出一个新的两阶段深度学习网络.
- 克服当前基于DL的成像技术的数据完整性限制.
- 为了使显著减少训练数据的高保真图像重建.
主要方法:
- 一个两阶段的深度学习网络,结合TM测量和图像重建.
- 一个测量阶段,旨在大幅减少数据需求.
- 一个采用自闭环约束的成像阶段,以消除对完整训练集的依赖.
主要成果:
- 仅使用10对训练数据对,以0.84的结构相似度指数 (SSIM) 实现了高质量的图像重建.
- 显著减少了TM测量所需的数据量.
- 证明了两个阶段作为传统算法的独立方法的功能.
结论:
- 拟议的两阶段网络有效地解决了基于DL的散射介质成像中的数据限制.
- 这种方法推进了基于传输矩阵的成像,并为光学成像应用提供了实际参考.
- 这种方法使得即使训练数据稀少,图像重建也能得到强大效果.
