概括
一个新的双网络框架通过结合深度图像预先网络 (DIP-Net) 和数据驱动网络 (DD-Net) 来改进单像素成像 (SPI). 这种方法可以更快,更有效地重建高质量的图像,即使数据有限.
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
- 机器学习用于成像.
背景情况:
- 单像素成像 (SPI) 使用单像素探测器重建图像,通常依赖于深度神经网络.
- 深度图像先前网络 (DIP-Net) 提供质量,但需要许多代;数据驱动网络 (DD-Net) 速度快,但需要类似的训练数据.
- 在SPI中,子样本条件降低了有效的信息,挑战了图像重建质量.
研究的目的:
- 为增强单像素成像引入一种新的双网络代优化 (SPI-DNIO) 框架.
- 克服SPI中现有的DIP-Net和DD-Net方法的局限性.
- 提高图像重建质量,减少SPI中的代数,特别是在较低的采样率下.
主要方法:
- 开发了一个双网络代优化 (SPI-DNIO) 框架,整合了DD-Net和DIP-Net的优势.
- 设计了一个带有梯度信息的残余块,以从低采样率的SPI数据中增强深度网络学习.
- 进行室内主动照明和室外被动照明实验以验证框架.
主要成果:
- 与传统方法相比,SPI-DNIO框架实现了高质量的图像重建,代次数明显减少.
- 渐变丰富的残余块提高了网络从SPI输入中学习,使用更少信息的能力.
- 实验结果表明,在不同的照明条件下,具有卓越的重建能力和强大的泛化性能.
结论:
- 拟议的SPI-DNIO框架有效地结合了DD-Net和DIP-Net的优势,以获得卓越的SPI性能.
- 改进的剩余块设计解决了在低采样率SPI中有限信息的挑战.
- 该框架显示了积极和被动照明场景的有希望的结果,突出了其多功能性和有效性.
