概括
我们开发了一个深度学习模型,通过散射介质从一个动态对象的图像中重建多个. 这种先进的方法以高精度实现了8倍的压缩,提高了成像能力.
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
- 机器学习 机器学习
背景情况:
- 通过散射介质进行动态对象成像是具有挑战性的,原因是光的扭曲.
- 传统方法在高压缩比和复杂的散射环境下扎.
- 压缩传感具有潜力,但需要复杂的重建算法.
研究的目的:
- 开发一个端到端的深度学习模型,从单个快照中重建多个.
- 为了使动态物体在未知,时间变化的散射条件下实现高速成像.
- 为了实现显著的数据压缩 (高达8X),同时保持高图像保真度.
主要方法:
- 集成一个编码的孔径压缩时间成像系统.
- 开发一种基于变压器的专用卷积神经网络 (CNN),用于解复和重建.
- 使用双输入CNN架构,结合斑点模式及其自相关性.
主要成果:
- 从单个快照中成功重建了多达八个.
- 在模拟和实验中证明了高达8X的压缩比.
- 实现了高的重建质量和准确性,经过废除研究验证.
- 与单个输入模型相比,双输入CNN显著提高了重建准确性.
结论:
- 提出的深度学习模型有效地从压缩的单一快照数据中重建动态场景.
- 编码光圈成像和先进的CNN集成为通过散射介质进行高速成像提供了强大的解决方案.
- 双输入CNN方法对于在复杂的散射环境中最大限度地提高重建精度至关重要.
