由未经训练的物理驱动的神经网络启用的太赫兹图谱
Jingzhu Shao1, Ping Tang1, Xiangyu Zhao1
1Center for Biophotonics, Institute of Medical Robotics, School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, China.
iScience
|September 2, 2025
概括
我们介绍了一个未经训练的物理驱动神经网络 (UPNN) 用于特拉赫兹 (THz) 图谱. 这种方法绕过了大量标记数据的需求,与传统算法相比,提供了更高的图像质量和分辨率.
科学领域:
- 物理
- 影像科学
- 计算科学
背景情况:
- 透视图是一种使用翻译强度图像的相位成像技术.
- 深度学习对阶段检索有希望,但需要大量标记的数据集.
- 获取特拉赫兹 (THz) 标记的数据用于神经网络预训练具有挑战性,限制了概括性.
研究的目的:
- 开发一种高质量的THz光谱重建方法.
- 克服THz成像的深度学习数据限制.
- 引入一种可适应和高效的阶段检索技术.
主要方法:
- 提出了一个未经训练的物理驱动神经网络 (UPNN).
- UPNN集成了现实世界的物理模型来指导神经网络推断.
- 网络只需要一个数据集,不需要预先培训.
主要成果:
- UPNN实现了高质量的THz光谱重建.
- 比传统的代图算法表现出更高的性能.
- 在图像质量,侧面分辨率和强度方面进行了改进.
结论:
- UPNN提供了一种灵活有效的THz光谱重建解决方案.
- 该方法克服了THz成像深度学习中的数据采集挑战.
- UPNN为传统的相检索算法提供了强大的替代方案.
更多相关视频
10:09Evaluation and Manipulation of Neural Activity Using Two-Photon Holographic Microscopy
Published on: September 16, 2022
2.7K
06:45Author Spotlight: Integrated Photoacoustic, Ultrasound, and Angiographic Tomography (PAUSAT) for NonInvasive Whole-Brain Imaging of Ischemic Stroke
Published on: June 2, 2023
1.7K
