基于物理的图像恢复在低光照明下,同时使用3D整体成像和贝叶斯神经网络进行参数估计

科学领域:

• 计算机视觉 计算机视觉
• 光学科学 光学科学
• 影像科学 影像科学

背景情况:

• 图像恢复对于从退化输入中恢复清洁图像至关重要.
• 传统和深度学习方法面临复杂的成像环境和大数据集要求的挑战.
• 基于物理学的方法提供了更好的性能和不确定性量化.

研究的目的:

• 提出一种新的基于物理的深度学习方法,用于与参数估计同时进行图像恢复.
• 利用3D整体成像和贝叶斯神经网络 (BNN) 来改进图像恢复.
• 解决物理成像问题的纯数据驱动深度学习方法的局限性.

主要方法:

• 开发了一个基于物理的深度学习框架,将图像映射架构与贝叶斯神经网络 (BNN) 结合起来.
• 利用基于物理模型的模拟数据进行网络训练.
• 采用3D整体成像技术,同时进行图像恢复和参数估计.

主要成果:

• 拟议的方法在恢复因低照明和部分遮蔽而退化的图像方面展示了有希望的实验结果.
• 与传统的基于2D成像的方法相比,即使使用模拟训练数据,也取得了显著的改进.
• 成功估计了降解参数,展示了该方法的实用性超出了图像恢复.

结论:

• 以物理为基础的深度学习与同时参数估计为具有挑战性的图像恢复任务提供了强大的解决方案.
• 该方法有效地处理退化,并优于2D成像技术.
• 这种方法提高了深度学习在物理成像场景中的实际适用性.