通过机器学习技术,通过随机相罩编码的相位图像的高效超分辨率
Applied optics
|August 12, 2025
概括
本研究介绍了一种使用机器学习的超分辨率方法,以提高光学测量中的相位图像精度. 该方法改进了超出设备分辨率限制的复杂幅度信息编码和解码.
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:
- 随机相口罩 (RPMs) 将空间复杂幅度信息编码为相位,以实现高效的光学处理.
- 空间光调制器 (SLM) 和电荷合器件 (CCD) 分辨率的限制阻碍了编码/解码的准确性.
研究的目的:
- 为相位图像提出超分辨率方法,以克服光学设备分辨率的限制.
- 为了提高编码和解码空间复杂幅度分布的准确性.
主要方法:
- 利用卷积神经网络 (CNN) 和视觉转换器 (ViT) 来处理相位图像的超分辨率处理.
- 将该方法应用于基于虚拟相结合的光学断层扫描 (VPC-OT) 用于微观目标测量.
主要成果:
- 实现超级分辨率,使复杂的振幅信息超出SLM和CCD分辨率限制.
- 证明了2.37dB (CNN) 和1.86dB (ViT) 的峰值信号噪声比 (PSNR) 改进.
- 在VPC-OT模拟中观察到6-13dB的测量精度提高和噪声降低.
结论:
- 拟议的基于机器学习的超分辨率方法可以提高相位图像的精度,而不需要额外的光学系统或增加测量.
- 该方法提供了更好的测量准确性,最小的计算成本.
- 研究了基于输入图像大小和损失进展的最佳机器学习模型大小.
