Новый подход к обучению, не связанный с обучением, для неопределенной вычислительной визуализацииНовый подход к обучению, не связанный с обучением, для неопределенной вычислительной визуализации

Китайские исследователи разработали новую архитектуру обучения нейронной сети для решения неопределенных вычислительных изображений. Это исследование примечательно тем, что для построения компьютерных изображений часто необходимо знать информацию о прямой физической модели и предшествующем объекте, а неточная физическая модель повлияет на качество восстановленных изображений.

Чтобы уменьшить влияние неопределенности модели, текущие исследования в основном сосредоточены на методах байесовской аппроксимации или методах глубокого обучения на основе данных. Хотя эти методы могут снизить неопределенность модели, для оценки параметров физической системы требуется большой объем данных. Таким образом, оценка неопределенности модели при небольшом количестве измерений является основным направлением исследований в области компьютерной визуализации. Исследованием руководил Гохай Ситу из Шанхайского института оптики и точной механики (SIOM) Китайской академии наук. Соответствующие результаты были опубликованы в Journal of Physics D: Applied Physics 18 октября 2021 года.

Исследовательская группа предложила метод глубокой нейронной сети, который не требует обучения для решения задач вычислительной визуализации с неопределенностью модели, и успешно продемонстрировал ее на платформе фазовой визуализации. Дифракционная картина, снятая камерой, является единственным входом нейронной сети, а затем сеть выводит оценочную фазу объекта. Расчетная фаза передается через смоделированное свободное пространство на расчетное расстояние для получения расчетной дифракционной картины. Этот шаблон и изображение были сделаны камерой для спуска градиента ошибки, а параметры нейронной сети и параметр расстояния передачи обновляются с помощью алгоритма обратного распространения.

Эксперименты показывают, что этот метод может одновременно восстанавливать фазовое и дифракционное расстояние, когда дифракционное расстояние в определенном диапазоне неизвестно, а качество изображения и устойчивость к шуму лучше, чем у современного основного алгоритма Гершберга-Сакстона. Исследователи считают, что этот метод может найти широкое применение в компьютерной визуализации.

Рис.1 Схема экспериментального метода. Рис.2 Процесс восстановления фазы и дифракционного расстояния (a) Исходный фазовый объект (b) Шаги итерации дифракционной картины (c-e) на 900, 10300, 19800. Рис. 3 Экспериментальное устройство для построения фазовых изображений. (Изображение предоставлено SIOM)

Сайт статьи:
https://doi.org/10.1088/1361-6463/ac2ad4

Контакт:
WU Xiufeng
Главный административный офис
Шанхайский институт оптики и точной механики, CAS
Почта: xfwu@siom.ac.cn
Веб: http://english.siom.cas.cn/

Приложение: