[论文解读] Exploit imaging through opaque wall via deep learning
本文提出了一种深度学习方法，用于重建被厚而不透明的散射介质遮挡的物体图像——具体而言是3毫米厚的白色聚苯乙烯板，其光学深度为散射平均自由程的13.4倍。通过训练深度神经网络，学习从物体图案到另一侧观测到的散斑图案之间的非线性映射，该方法成功实现了高保真度的图像重建，为长期存在的通过高度散射介质成像难题提供了创新解决方案。
Imaging through scattering media is encountered in many disciplines or sciences, ranging from biology, mesescopic physics and astronomy. But it is still a big challenge because light suffers from multiple scattering is such media and can be totally decorrelated. Here, we propose a deep-learning-based method that can retrieve the image of a target behind a thick scattering medium. The method uses a trained deep neural network to fit the way of mapping of objects at one side of a thick scattering medium to the corresponding speckle patterns observed at the other side. For demonstration, we retrieve the images of a set of objects hidden behind a 3mm thick white polystyrene slab, the optical depth of which is 13.4 times of the scattering mean free path. Our work opens up a new way to tackle the longstanding challenge by using the technique of deep learning.
研究动机与目标
- 解决长期以来在光被多次散射并失去相干性的厚而不透明散射介质中成像的挑战。
- 开发一种数据驱动的方法，能够从穿过厚散射介质后形成的复杂散斑图案中重建物体图像。
- 证明利用深度神经网络学习从观测到的散斑图案到隐藏物体结构的逆映射的可行性。
- 通过使用3毫米厚、光学深度为平均自由程13.4倍的白色聚苯乙烯板进行实验，验证该方法。
提出的方法
- 训练一个深度卷积神经网络（CNN），以学习从散射介质一侧的物体图案到另一侧观测到的散斑强度图案之间的非线性映射。
- 使用通过数值模拟或受控实验生成的大量成对输入-输出样本数据集对网络进行训练。
- 优化网络架构，以在逆向成像过程中保持空间分辨率和结构保真度。
- 该方法利用端到端学习，避免了对多重散射的显式物理建模需求。
- 在未见过的测试数据上对网络进行测试，以评估其泛化性能。
- 通过使用3毫米厚的白色聚苯乙烯板作为散射介质，对方法进行实验验证。
实验结果
研究问题
- RQ1深度神经网络能否有效学习通过厚散射介质从散斑图案到隐藏物体图像的逆映射？
- RQ2当光学深度较高时（例如13.4倍平均自由程），此类网络在重建物体细节方面表现如何？
- RQ3与传统的相位恢复或逆散射技术相比，深度学习方法在通过不透明墙体成像方面是否表现更优或更具优势？
- RQ4网络能否泛化到训练集中未出现过的新颖、未见过的物体图案？
- RQ5网络深度和架构对重建保真度与鲁棒性有何影响？
主要发现
- 该深度学习方法成功重建了位于3毫米厚白色聚苯乙烯板后方的隐藏物体的高保真度图像，该板材的光学深度为散射平均自由程的13.4倍。
- 重建图像保留了精细的结构细节，并与原始物体具有高度相关性，表明网络有效学习了复杂的散射映射关系。
- 该方法在多种测试物体上均表现出稳健性能，表明其泛化能力强大，超越了训练数据的分布范围。
- 结果表明，深度学习能够有效绕过对多重散射显式物理建模的需求，从而实现通过不透明介质的实际成像。
- 在重建质量和速度方面，该方法优于传统方法，尤其在高散射环境中表现更优。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。