[论文解读] prDeep: Robust Phase Retrieval with a Flexible Deep Network

Christopher A. Metzler, Philip Schniter+2 more|arXiv (Cornell University)|Mar 1, 2018

Advanced X-ray Imaging Techniques参考文献 38被引用 20

一句话总结

prDeep 是一种鲁棒的相位恢复算法，通过将深度卷积神经网络去噪器（DnCNN）集成到正则化去噪（RED）框架中，以处理各种系统模型下的噪声、仅振幅测量。它在重建精度和计算效率方面均达到最先进水平，尤其适用于傅里叶和编码衍射图案测量，且无需针对不同模型重新训练。

ABSTRACT

Phase retrieval algorithms have become an important component in many modern computational imaging systems. For instance, in the context of ptychography and speckle correlation imaging, they enable imaging past the diffraction limit and through scattering media, respectively. Unfortunately, traditional phase retrieval algorithms struggle in the presence of noise. Progress has been made recently on more robust algorithms using signal priors, but at the expense of limiting the range of supported measurement models (e.g., to Gaussian or coded diffraction patterns). In this work we leverage the regularization-by-denoising framework and a convolutional neural network denoiser to create prDeep, a new phase retrieval algorithm that is both robust and broadly applicable. We test and validate prDeep in simulation to demonstrate that it is robust to noise and can handle a variety of system models. A MatConvNet implementation of prDeep is available at https://github.com/ricedsp/prDeep.

研究动机与目标

• 解决传统相位恢复算法在噪声环境中及受限测量模型下的局限性。
• 开发一种对噪声鲁棒且可广泛适用于各类测量系统（包括傅里叶和编码衍射图案）的相位恢复方法。
• 通过使用预训练的 DnCNN 去噪器将深度学习先验集成到优化框架中，而无需为每个新测量模型重新训练。
• 与现有插件式（plug-and-play）和基于优化的相位恢复方法相比，提升重建精度和运行效率。

提出的方法

• 通过将去噪作为先验，将正则化去噪（RED）框架适配于相位恢复，构建一个通用的优化问题。
• 使用 DnCNN 卷积神经网络作为强大且预训练的图像去噪器，以在相位恢复过程中建模自然图像先验。
• 将去噪器集成到交替方向乘子法（ADMM）优化方案中，以高效求解相位恢复问题。
• 通过避免对测量矩阵结构的假设，支持广泛的测量模型，包括傅里叶变换和编码衍射图案。
• 利用去噪的 MAP 贝叶斯解释，隐式施加自然图像先验，而无需显式正则化项。
• 通过不需为新测量模型或噪声水平重新训练，保持灵活性，这与纯深度学习方法不同。

实验结果

研究问题

• RQ1 能否有效将基于深度学习的去噪器集成到变分相位恢复框架中，以提升对噪声的鲁棒性？
• RQ2 所提出的算法是否能在不重新训练的情况下处理多种测量模型（尤其是傅里叶测量）？
• RQ3 与现有插件式和基于优化的相位恢复算法相比，该方法在重建精度和运行时间方面的表现如何？
• RQ4 使用预训练的 DnCNN 去噪器在相位恢复任务中，相较于手工设计的先验或其他去噪器（如 BM3D）的性能优势有多大？

主要发现

• 与现有方法相比，prDeep 在重建精度方面表现更优，尤其在高噪声水平和傅里叶测量条件下，其他插件式方法失效或性能显著下降。
• 在 $4\times$ 过采样的傅里叶测量和高噪声（$\alpha = 3$）的仿真中，prDeep 产生的伪影更少，视觉质量更优，优于 HIO、WF、OSS、SPAR、BM3D-prGAMP、BM3D-ADMM 和 DnCNN-ADMM。
• 在傅里叶测量下，对于 $256 \times 256$ 图像，prDeep 的运行时间为 345 秒，优于 BM3D-ADMM（576 秒）和 DnCNN-ADMM（426 秒），同时保持或超过更慢方法的精度。
• 在低信噪比的编码衍射图案测量下，prDeep 与其它插件式方法性能相当，但运行时间显著优于 BM3D-ADMM 和 SPAR。
• 该方法在多种测量模型下均表现出对噪声的鲁棒性，包括先前插件式方法（如 SPAR 和 BM3D-prGAMP）不支持的模型。
• prDeep 是首个在无需重新训练的情况下成功将学习型去噪器（DnCNN）应用于基于傅里叶的相位恢复的方法，在多种成像场景中均保持高性能。