[论文解读] prDeep: Robust Phase Retrieval with Flexible Deep Neural Networks.
prDeep 提出了一种基于深度学习的相位恢复方法，利用卷积神经网络（CNN）提升对噪声的鲁棒性，并增强在多种测量模型下的灵活性。通过学习数据驱动的先验，该方法实现了快速、高分辨率的重建，其性能在噪声和非理想条件下优于传统方法。
Phase retrieval (PR) algorithms have become an important component in many modern computational imaging systems. For instance, in the context of ptychography and speckle correlation imaging PR algorithms enable imaging past the diffraction limit and through scattering media, respectively. Unfortunately, traditional PR algorithms struggle in the presence of noise. Recently PR algorithms have been developed that use priors to make themselves more robust. However, these algorithms often require unrealistic (Gaussian or coded diffraction pattern) measurement models and offer slow computation times. These drawbacks have hindered widespread adoption. In this work we use convolutional neural networks, a powerful tool from machine learning, to regularize phase retrieval problems and improve recovery performance. We test our new algorithm, prDeep, in simulation and demonstrate that it is robust to noise, can handle a variety system models, and operates fast enough for high-resolution applications.
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。
- 开发一种灵活、快速且鲁棒的相位恢复框架，可适配多种成像系统。
- 利用深度学习学习有效的图像先验，以提升重建质量，同时避免依赖不切实际的假设。
- 实现适用于实时或高通量计算成像应用的高分辨率相位恢复。
提出的方法
- prDeep 采用卷积神经网络（CNN）来正则化相位恢复的优化问题，从数据中学习图像先验。
- 网络在具有不同噪声水平和系统模型的模拟相位恢复数据上进行端到端训练。
- 采用可微分的优化框架，将 CNN 作为先验嵌入基于物理的重建流程中。
- 该方法支持灵活的测量模型，包括适用于叠印成像（ptychography）和斑点相关成像的模型。
- 通过用学习的推理步骤替代迭代求解器，实现重建加速，从而支持实时性能。
实验结果
研究问题
- RQ1深度神经网络能否有效正则化相位恢复，以提升对噪声的鲁棒性？
- RQ2所提出方法在不同测量模型（包括非高斯和复杂系统）下的泛化能力如何？
- RQ3与传统求解器相比，该网络能否实现显著降低计算时间的高分辨率重建？
- RQ4学习数据驱动先验在相位恢复中相较于手工设计先验的优越程度如何？
主要发现
- 与传统相位恢复算法相比，prDeep 展现出更强的抗噪能力，在信噪比极低时仍能保持高重建保真度。
- 该方法实现了快速推理速度，适用于高分辨率和实时成像应用。
- 它在多种测量模型中均表现出良好泛化能力，包括叠印成像和斑点相关成像所用模型，且无需针对特定模型重新训练。
- CNN 学习到的先验显著提升了重建质量，优于依赖不切实际假设（如高斯噪声或编码衍射图案）的传统方法。
更好的研究，从现在开始
从阅读论文到最终审阅，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。