深散斑相关:一种通过散射介质进行可缩放成像的深度学习方法

2018/10/08  阅读 160 次
          

散射成像是一个重要而又具有挑战性的问题。利用固定介质输入-输出的确定性“传输矩阵”已经取得了巨大的进展。然而,这种“一对一”的映射很容易受到散斑相关的影响——散射介质的小扰动会导致模型误差和成像性能的严重下降。所以这项研究的目标是开发一个新的框架,它可以兼顾介质扰动和测量需求。为此,波士顿大学的研究人员提出了一种统计学的“一对所有”深度学习(DL)技术,它封装了大量的统计变量,使模型能够适应散斑解相关关系。具体来说,研究人员开发了一个卷积神经网络(CNN),它能够学习在一组具有相同宏观参数的扩散器上捕获的散斑强度模式所包含的统计信息。然后,根据所知,第一次实验表明,经过训练的CNN能够通过同一类完全不同的扩散器来推广和做出高质量的物体预测。这项工作为通过散射介质成像的高扩展性DL方法铺平了未来的道路。

图1 基于深度学习的散射成像技术综述

原文链接

 

本文受译者委托,享有该文的专有出版权,其他出版单位或网站如需转载,请与本站联系,联系email:mail@opticsjournal.net。否则,本站将保留进一步采取法律手段的权利。











微信

免责声明
网站内容来源于互联网、原创,由网络编辑负责审查,目的在于传递信息,提供专业服务,不代表本网站及新媒体平台赞同其观点和对其真实性负责。如对文、图等版权问题存在异议的,请于20个工作日内与我们取得联系,我们将协调给予处理(按照法规支付稿费或删除),联系方式:021-69918579。网站及新媒体平台将加强监控与审核,一旦发现违反规定的内容,按国家法规处理,处理时间不超过24小时。最终解释权归《中国激光》杂志社所有。