大佬王凯强是西北工业大学赵建林老师的博士生，他在光学与光学工程博生联赛第七场上介绍了基于深度学习的相位恢复及处理相关工作。相关视频在公众号“中国光学”，实况直播，光学与光学工程博士生学术联赛-积分赛（第五比赛日）实况直播 | 光学与光学工程博士生学术联赛 - 积分赛（第五比赛日）末尾的线上积分赛第7场中，视频在第2小时33分钟处开始。(文中图均来自视频中，如有需要，欢迎搜索相关文章进行引用)

1. 第一个工作：Deep learning phase imaging[1]

2. 第二个工作：Y-Net for holographic reconstruction[2][3]

3. 第三个工作：Deep learning wavefrant sensing

4. 第四个工作：Deep learning phase unwrapping[4]

1. 第一个工作：Deep learning phase imaging[1]

TIE(Transport of intensity equation) 具有两个优点：1）无需相位解包裹；2）适用于部分相干光源。由于这两个优点使其可以与显微镜进行结合，对细胞进行成像。但使用其做相位重建时，需要多张离焦强度图才能获得很好的重建结果，并且对边界和噪声都很敏感。基于上述缺点，提出了一种使用TIE+U-Net做相位重建。原理图如图1所示。先用显微镜得到多张全息图作为网络的输入，再用TIE处理得到相位图像作为网络训练的真值。训练好的U-Net网络可以从单张全息图中重建相位图，并且对边界和噪声不敏感.

图1 原理图

2. 第二个工作：Y-Net for holographic reconstruction[2][3]

作者提出一种Y-Net网络，可以同时重建图像的相位信息和强度信息。在此之前的工作都是对单一相位或者强度进行重建。在U-Net的基础上添加一个新的上采样分支，两个分支一个用于强度的重建，一个用于相位的重建，如图2所示。Y-Net经过训练，可以从单张全息图中直接重建全息图的强度和相位信息。

图2 Y-Net原理图

3. 第三个工作：Deep learning wavefrant sensing

第三个工作是用神经网络代替波前传感器，解决自适应光学中湍流(turbulence)的影响。但由于自己在这方面阅读文献较少，对于这个方向不是很了解，所以不敢贸然讲述，有相关方向的可以直接看其视频和文章。视频在2小时39分处开始讲述其第三个工作。

4. 第四个工作：Deep learning phase unwrapping[4]

在数字全息成像中，相位是通过反正切函数计算得到，所以相位被限制在了-π～π之间，要想得到完整的相位信息就需要相位解包裹。作者首先生成随机矩阵，在求其绝对相位作为网络的输入，在对绝对相位做包裹操作之后，会得到网络训练的真值，如图3所示。制作多组数据，制作训练数据集，对网络进行训练。训练完成之后，U-Net就可以执行相位解包裹操作。

图3 数据产生和网络训练

本文只是简短的介绍了王凯强博士的相关工作，若有说的不对，欢迎批评指正。同时欢迎有需要的朋友去观看其原版视频和下载其原始文章。由于可能涉及版权问题，这里就不放截取视频了，望各位朋友见谅。欢迎关注公众号“羽峰码字”，可以获取更多相关文章呀！

参考文献

[1] Wang, K. , et al. "Transport of intensity equation from a single intensity image via deep learning - ScienceDirect." Optics and Lasers in Engineering 134.

[2]Wang, K. , et al. "Y-Net: a one-to-two deep learning framework for digital holographic reconstruction." Optics Letters 44.19(2019):4765.

[3] Wang, K. , et al. "Y4-Net: a deep learning solution to one-shot dual-wavelength digital holographic reconstruction." Optics Letters 45.15(2020).

[4] Wang, K. , et al. "One-step robust deep learning phase unwrapping." Optics Express 27.10(2019):15100.

基于深度学习的相位恢复及处理相关工作相关推荐

[翻译]2020年综述：基于深度学习的视频超分辨率
综述:基于深度学习的视频超分辨率 Video Super Resolution Based on Deep Learning: A Comprehensive Survey 论文链接:https:// ...
开源代码基于深度学习的超分辨率如何让大脑显微镜成像去除毛刺
背景通过显微成像拍摄大脑非常薄的层的照片并以三维形式对其进行重构,可以确定结构在哪里以及它们之间的关系.但这会带来巨大挑战.获取高分辨率图像并快速捕获以覆盖大脑的合理区域是一项主要任务. 一部分问题 ...
基于深度学习的推荐系统:综述与新视角
原文:Deep Learning based Recommender System: A Survey and New Perspectives 作者:张帅, 新南威尔士大学翻译:沈春旭,清华大学 ...
基于深度学习的海洋生物声音信号智能识别技术与实现
基于深度学习的水声信号智能识别技术与实现基于开源数据集,讲声音做FFT变换转换为频谱图,设计卷积神经网络对声音进行分类识别. 这里图片的处理对计算机环境要求比较高. 1.研究背景与意义 2.声音特征 ...
基于深度学习的IRS辅助MIMO通信系统的CSI压缩及恢复研究
基于深度学习的IRS辅助MIMO通信系统的CSI压缩及恢复研究人工智能技术与咨询来源:<无线通信 > ,作者黄富铿等关键词: 智能反射面:深度学习:信道状态信息反馈: 摘要: 智能反 ...
基于深度学习的医学图像分割综述
转载:https://blog.csdn.net/weixin_41783077/article/details/80894466 摘要:医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问 ...
基于深度学习的信道估计（DL-CE）基础知识
参考文献:<基于机器学习的信道估计算法优化研究>(电子科技大学,李红,硕士学位论文) 文献下载地址: 链接:https://pan.baidu.com/s/1mys6ADy50uDRHNM ...
最新综述 | 基于深度学习的SLAM方法：面向空间机器智能时代
最新综述 | 基于深度学习的SLAM方法:面向空间机器智能时代 A Survey on Deep Learning for Localization and Mapping Towards the A ...
基于深度学习的低光照图像增强方法总结（2017-2019）| CSDN博文精选
扫码参与CSDN"原力计划" 作者 | hyk_1996 来源 | CSDN博客精选之前在做光照对于高层视觉任务的影响的相关工作,看了不少基于深度学习的低光照增强(low-lig ...

基于深度学习的相位恢复及处理相关工作

1. 第一个工作：Deep learning phase imaging[1]

2. 第二个工作：Y-Net for holographic reconstruction[2][3]

3. 第三个工作：Deep learning wavefrant sensing

4. 第四个工作：Deep learning phase unwrapping[4]

基于深度学习的相位恢复及处理相关工作相关推荐

最新文章

热门文章