通过端到端模型在高阶偏差下进行直接相位传感
概括
使用深度学习进行区域重建,从相位多样性图像中准确地恢复出口瞳孔波浪. 这种方法超越了传统的模态重建,特别是对于高阶偏差,提高图像质量.
科学领域:
- 光学工程的光学工程.
- 图像处理 图像处理
- 深度学习是一种深度学习.
背景情况:
- 波面估计对于光学系统性能至关重要.
- 像模态重建这样的传统方法与高阶偏差作斗争.
- 阶段多样性成像为波重建提供数据.
研究的目的:
- 开发一个端到端的深度学习模型,用于直接出口学生波浪额估计.
- 为了提高波面重建的准确性,特别是对于高阶偏差.
- 为了提高从退化光学系统重建图像的质量.
主要方法:
- 提出了一个端到端的深度学习模型,直接从相位多样性图像中估计出口瞳孔波浪.
- 使用区域重建,避免模态重建固有的模式限制 (例如,ResNet50与Zernike模式 [3,28]).
- 模拟的实验数据被用来评估与模式重建对比的性能.
主要成果:
- 区域重建在恢复高阶偏差方面明显优于模式重建.
- 深度学习模型在没有模式限制的情况下,在所有异常中实现了更高的适配精度.
- 重建的图像显示了更丰富的高空间频率细节和更高的精度.
结论:
- 通过深度学习实现的区域重建是与模式重建相比,对出口瞳孔波浪线估计的优越方法.
- 拟议的方法有效地恢复了高阶偏差,从而提高了图像重建质量.
- 这种方法为提高光学系统性能和图像保真度提供了一个有希望的解决方案.
