本所聲明  |  中科院  |  OA  |  ARP  |  English  |  郵箱  |  舊版首頁

上海光機所在智能計算成像研究方面取得新進展

来源: 发布时间:2020-05-06【字体:

  近期,中国科学院上海光学精密机械研究所信息光學與光電技術實驗室与德国斯图加特大学应用光学研究所、美国麻省理工学院合作,提出并实验验证了一种基于物理模型和深度神经网络的新型计算成像方法,无需大量带标签的数据来完成神经网络训练,将能有力促进人工智能技术在计算成像中的广泛应用。相关成果于5月6日在线发表于《光:科学与应用》(Light: Science & Applications)。

  近年來,基于深度學習的方法被廣泛應用于計算成像中,在相位恢複、數字全息、單像素成像、散射成像等衆多領域取得了一系列令人矚目的成果。然而,傳統基于深度學習的計算成像方法大都采用監督學習的策略,因此需要預先獲取大量帶標簽的數據來訓練神經網絡,且所獲取數據的數量和質量對所得模型的性能具有很大影響,而在實際應用中這一條件往往是難以滿足的。盡管此前本文進展的課題組研究表明,當成像系統的正向物理模型已知時可以通過仿真生成訓練數據,但是神經網絡的泛化性總是有限的,所得模型只能對類似訓練集的場景得到較好的結果。

  针对基于深度学习的计算成像方法中训练数据难以获取和模型泛化性有限的问题,研究人员提出将物理模型与神经网络相结合的方法(Physics-enhanced deep neural network, PhysenNet),利用物理模型替代训练数据来驱动网络参数的优化。相比传统数据驱动的端到端深度学习方法,PhysenNet无需获取训练数据且是一种具有普适性的方法。相比模型驱动的优化算法,PhysenNet无需使用显式正则项就能用于病态逆问题(从探测到的物理测量中恢复原始物体信息,在探测阶段存在诸如相位等信息丢失)的求解。

  研究人員以計算成像中的經典例子——相位成像——來驗證了該方法的有效性,通過不斷叠代使神經網絡輸出結果經衍射傳播和測量過程(物理模型)後計算得到的衍射強度圖逐漸逼近實際測量的衍射強度圖,隨著叠代的進行,神經網絡輸出結果也逐漸逼近實際待求相位物體(圖1)。實驗結果(圖2)表明,在僅使用單張衍射強度圖時,PhysenNet的恢複效果優于需在多個離焦面之間來回叠代的Gerchberg-Saxton(GS)算法的恢複效果,且接近數字全息方法的恢複效果。該方法可應用于衆多正向物理模型已知的計算成像方法中。

  该项工作得到了中国科学院前沿科学重点研究计划,中德中心“中德合作小组”和国家自然科学基金重大项目的支持。(信息光學與光電技術實驗室供稿)

  原文鏈接

图1 PhysenNet原理图

图2 实验结果 (a)实验装置图;(b)和(g)两个相位型物体的衍射强度图分别为(c)和(h); 利用PhysenNet、数字全息、GS方法恢复的结果分别为(d)和(i)、(e)和(j)、(f)和(k)

附件下載: