计算成像受益于未经训练的神经网络

计算成像(CI)技术利用光学设备和计算算法来重建对象信息。CI的关键目标是开发更先进的算法，以简化硬件设备并提高成像质量。深度学习是最强大的算法之一，它使用深度神经网络从大量输入/输出数据对中学习，从而建立数据之间的映射关系。它已被广泛用于CI，并已在许多成像问题中取得了最新的成果。但是，大多数现有的基于深度学习的CI方法在数据收集和归纳中都面临挑战。

在最近的一项研究中，中国科学院的研究人员描述了他们如何结合未经训练的神经网络和物理知识来消除基于深度学习的CI方法的局限性。

“我们的成像方法不需要大量的数据来训练神经网络。它所需要的只是检测器记录的物体的测量以及从物体到测量的物理模型，”负责人Situ Guohai教授说。研究团队。

研究人员在无透镜定量相位成像问题上展示了他们的技术，该问题需要重建在检测阶段丢失的相位信息。

新方法基于深度神经网络(DNN)，广泛用于适应来自许多训练数据对的不同映射函数的多层计算模型以及已经建立了数百年的自由空间传播原理研究。

研究人员求助于光学系统的知识，以增强DNN的参数优化。他们将测得的强度衍射图样输入到随机初始化的DNN(未经训练)中，将DNN的输出作为相位信息的估计，并根据自由空间传播原理从估计的相位开始计算强度衍射图样的估计值。

然后，更新DNN中的参数，以最大程度地减少测量模式和估计模式之间的误差。随着误差的最小化，DNN的输出也收敛于实际相位信息。

SITU表示：“虽然大多数以前的基于深度学习的CI方法都使用大量训练数据来优化DNN中的参数，但我们的方法却利用了原始测量和物理模型。” “这是一种可用于重建不同种类对象的通用方法。”

研究人员通过使用其对相对象成像来测试他们的技术。新方法能够使用单个强度衍射图样解析相位信息。

SITU说：“用于相位成像的新方法是单次非干涉方法，在显微镜和光学计量学中具有巨大潜力。此外，只要已知物理模型，各种CI方法也可以使用类似的框架，” 。

这项工作得到了中国科学院前沿科学重点研究计划，中德中心和国家自然科学基金的支持。