用物理驱动的自我训练神经网络重建部分模糊的物体

科学领域:

• 光学和光子学 在光学和光子学.
• 人工智能的人工智能
• 影像科学 影像科学

背景情况:

• 太赫兹 (THz) 成像为非电离的3D场景重建提供了独特的功能.
• 传统的全息成像需要相位信息,这通常是不可用的.
• 从仅供电的THz数据中重建3D场景,由于缺少相位信息,因此存在重大挑战.

研究的目的:

• 开发一种由人工智能支持的方法,用于使用连贯的太赫兹辐射进行3D全息成像.
• 从仅限强度测量中重建3D场景,克服相位检索的局限性.
• 为了应对重建部分隐蔽物体的挑战,并最大限度地减少THz成像中的干扰.

主要方法:

• 开发了一个基于物理的深度学习 (DL) 算法,将角光谱理论作为先前知识.
• 使用对象信息生成了散射模式的合成数据集.
• 一个基于物理学的神经网络 (NN) 使用合成和未标记的实验THz数据进行了自我训练.
• 采用了一种递归训练策略,NN反复预测并将图像重新纳入训练集.

主要成果:

• DL方法成功地从仅供电的THz图像中重建了3D场景.
• 该方法在重建部分模糊的物体方面表现出有效性.
• 在对象重建期间的相互干扰被最小化.
• 该方法在数据稀缺的场景中显示出稳定性和有效性.

结论:

• 拟议的基于物理的DL方法显著提升了3D THz成像能力.
• 该技术为在缺少相位信息的情况下重建3D场景提供了可行的解决方案.
• 自我培训策略能够从有限且未标记的实验数据中有效地学习,为实际应用铺平了道路.