概括
这项研究引入了一种新的以模型为驱动的深度学习方法,用于相位移交干扰测量. 与数据驱动技术相比,这种自我监督的方法通过将错误减少30%以上来提高准确性和概括性.
科学领域:
- 光学和光子学 在光学和光子学.
- 人工智能的人工智能
- 计量学 计量学 计量学
背景情况:
- 干涉测量中的深度学习通常需要高质量的训练数据,限制准确性和通用性.
- 现有的数据驱动方法面临着数据集依赖的挑战,以实现精确的阶段检索.
研究的目的:
- 开发一个基于模型的深度学习框架,用于两步相位移干扰测量.
- 为了使准确和强大的相位检索没有地面真相相位图.
主要方法:
- 一个预先训练的规范化网络 (PNNet) 通过任意相位移将干扰图规范化.
- 一个未经训练的模型驱动网络 (UMNet) 使用基于物理的模型进行自我监督的学习.
- 阶段图和阶段转移是从正常化的干涉图生成的.
主要成果:
- 基于模型的方法实现了准确而强大的相位检索.
- 与传统的数据驱动方法相比,错误减少了30%以上.
- 证明了干扰度学自主监督学习的有效性.
结论:
- 基于模型的深度学习为相位移干扰测量的数据驱动方法提供了一个有希望的替代方案.
- 自主监督学习显著提高了准确性,并减少了对广泛培训数据集的依赖.
- 这种方法推进了高精度相位检索技术.
