本所聲明  |  中科院  |  OA  |  ARP  |  English  |  郵箱  |  舊版首頁

超強激光科學卓越創新簡報

(第一百零二期)

2020年5月6日

上海光機所在智能計算成像研究方面取得新進展

  近期,中國科學院上海光學精密機械研究所信息光學與光電技術實驗室與德國斯圖加特大學應用光學研究所、美國麻省理工學院合作,提出并實驗驗證了一種基于物理模型和深度神經網絡的新型計算成像方法,無需大量帶標簽的數據來完成神經網絡訓練,將能有力促進人工智能技術在計算成像中的廣泛應用。相關成果于5月6日在線發表于《光:科學與應用》(Light: Science & Applications)。

  近年來,基于深度學習的方法被廣泛應用于計算成像中,在相位恢復、數字全息、單像素成像、散射成像等眾多領域取得了一系列令人矚目的成果。然而,傳統基于深度學習的計算成像方法大都采用監督學習的策略,因此需要預先獲取大量帶標簽的數據來訓練神經網絡,且所獲取數據的數量和質量對所得模型的性能具有很大影響,而在實際應用中這一條件往往是難以滿足的。盡管此前本文進展的課題組研究表明,當成像系統的正向物理模型已知時可以通過仿真生成訓練數據,但是神經網絡的泛化性總是有限的,所得模型只能對類似訓練集的場景得到較好的結果。

  針對基于深度學習的計算成像方法中訓練數據難以獲取和模型泛化性有限的問題,研究人員提出將物理模型與神經網絡相結合的方法(Physics-enhanced deep neural network, PhysenNet),利用物理模型替代訓練數據來驅動網絡參數的優化。相比傳統數據驅動的端到端深度學習方法,PhysenNet無需獲取訓練數據且是一種具有普適性的方法。相比模型驅動的優化算法,PhysenNet無需使用顯式正則項就能用于病態逆問題(從探測到的物理測量中恢復原始物體信息,在探測階段存在諸如相位等信息丟失)的求解。

  研究人員以計算成像中的經典例子——相位成像——來驗證了該方法的有效性,通過不斷迭代使神經網絡輸出結果經衍射傳播和測量過程(物理模型)后計算得到的衍射強度圖逐漸逼近實際測量的衍射強度圖,隨著迭代的進行,神經網絡輸出結果也逐漸逼近實際待求相位物體(圖1)。實驗結果(圖2)表明,在僅使用單張衍射強度圖時,PhysenNet的恢復效果優于需在多個離焦面之間來回迭代的Gerchberg-Saxton(GS)算法的恢復效果,且接近數字全息方法的恢復效果。該方法可應用于眾多正向物理模型已知的計算成像方法中。

  該項工作得到了中國科學院前沿科學重點研究計劃,中德中心“中德合作小組”和國家自然科學基金重大項目的支持。(信息光學與光電技術實驗室供稿)

  原文鏈接

圖1 PhysenNet原理圖

圖2 實驗結果 (a)實驗裝置圖;(b)和(g)兩個相位型物體的衍射強度圖分別為(c)和(h); 利用PhysenNet、數字全息、GS方法恢復的結果分別為(d)和(i)、(e)和(j)、(f)和(k)

附件下載:
手工兼职赚钱是真是假 河南体彩11选五遗漏 山东群英会复式玩法 青海快三在哪个平台 在线股票配资研推荐卓信宝 极速十一选五开奖结果 山西快乐10分20选8 金种子酒股票论坛 舟山飞鱼开奖记录 云南时时彩奖项规则 黑龙江十一选五任五走势图一定牛