CN115099389A - 基于复数神经网络的非训练相位重建方法及装置 - Google Patents
基于复数神经网络的非训练相位重建方法及装置 Download PDFInfo
- Publication number
- CN115099389A CN115099389A CN202210622995.XA CN202210622995A CN115099389A CN 115099389 A CN115099389 A CN 115099389A CN 202210622995 A CN202210622995 A CN 202210622995A CN 115099389 A CN115099389 A CN 115099389A
- Authority
- CN
- China
- Prior art keywords
- complex
- neural network
- data
- image
- phase
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 title claims abstract description 30
- 238000003384 imaging method Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 18
- 230000001427 coherent effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000011084 recovery Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002424 x-ray crystallography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
- G01N23/207—Diffractometry using detectors, e.g. using a probe in a central position and one or more displaceable detectors in circumferential positions
Landscapes
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于复数神经网络的非训练相位重建方法及装置,其中方法包括,S1、获取目标的采集数据;S2、构建复数神经网络,复数神经网络的输入是采集数据,输出是目标场景的幅值图像和相位图像;S3、使用复数神经网络作为生成器,输入采集数据,输出重建的幅值图像与相位图像;使用重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据;通过最小化仿真采集数据与采集数据的差异来更新网络参数;S4、重复进行S3,使得网络参数更新收敛,输出最终的目标的幅值图像和相位图像。本发明解决了传统实数神经网络缺乏实部与虚部间信息交互、对复数信号表征能力弱的问题,并且无需额外训练样本,对数据依赖性低。
Description
技术领域
本发明属于计算摄像学领域。
背景技术
相位恢复是一般是指测量信号在某个给定线性空间域(如傅里叶变换)的幅值已知情况下,利用幅值恢复相位的过程。其在光学、X射线晶体学、医学图像重建等领域都有广泛的应用。比如在光学成像中,由于观测手段的限制,大部分光学采集设备(如CCD相机、光感胶片、人眼成像)只能够捕获光场强度而无法获取光波相位,变换后的测量值中信号的相位信息难以获取,因此只能根据有限的幅值信息去逆向解算原始信号的幅值和相位。作为一个经典的反问题,相位恢复具有典型的非凸和病态性的特点,通常情况下需要利用一定的先验知识并通过施加其他物理约束来进行求解。
从上世纪70年代以来,相位恢复算法层出不穷。求解手段主要包括基于强度传输方程的方法和基于误差下降的迭代投影算法。最为经典的迭代投影算法是R.W.Gerchberg和W.O.Saxton于1972年为解决空间望远镜的在位像差校正问题提出的GS算法。GS算法通过在不同测量平面之间反复迭代,并代入振幅测量值作为各平面的约束条件,来对初始面的光场信号进行恢复。GS算法提出后,由于该算法所要求的实验装置简单、不易受振动等外界因素的影响,而得到了广泛应用,但其自身受限于简单的双平面迭代和有限的目标平面振幅约束,故在解决相位恢复这样的病态问题时还存在初始解敏感、收敛速度慢、易陷入局部解而发生停滞等诸多不足。
近几年,随着深度学习技术的兴起,其强大的非线性拟合能力,它在解决传统相位恢复的高维病态逆问题上有显著的优势,为进一步提高相位恢复算法的准确度和鲁棒性提供了可能。于是,研究人员在将其应用到相位恢复上做了许多努力,但是大部分网络都是基于数据驱动的。如S.Li等人利用在图像数据集上训练好的神经网络模型,学习输入和输出之间的映射关系,直接进行端到端的相位恢复。其泛化性与网络学习的数据集的大小、丰富程度息息相关。此外,网络结构都是基于实数网络,而相位恢复问题研究的采集数据实际上包括幅值和相位,是一个复数。简单考虑实部虚部,或者考虑幅度和相位角都丢失了复数原本的关系。
基于以上,本发明提出用于相位恢复的复数神经网络,并通过非训练的方式重建相位。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种基于复数神经网络的非训练相位重建方法,用于通过非训练的方式重建相位。
本发明的第二个目的在于提出一种基于复数神经网络的非训练相位重建装置。
为达上述目的,本发明第一方面实施例提出了一种基于复数神经网络的非训练相位重建方法,包括:
S1、获取目标的采集数据;
S2、构建复数神经网络,所述复数神经网络的输入是所述采集数据,输出是所述目标场景的幅值图像和相位图像;
S3、使用所述复数神经网络作为生成器,输入所述采集数据,输出重建的幅值图像与相位图像;使用所述重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据;通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数;
S4、重复进行S3,使得所述网络参数更新收敛,输出最终的所述目标的幅值图像和相位图像。
另外,根据本发明上述实施例的基于复数神经网络的非训练相位重建方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述采集数据包括所述目标的场景的幅度和相位信息,采集方式包括以下方法中的任一一种或多种:
相干衍射成像,相干光照射所述目标后在远场处形成衍射图样,传感器记录衍射图样的强度信息;
傅里叶叠层成像,通过频域处理利用传感器采集一系列低分辨强度图;
自相关散射成像,光透过散射介质形成散斑图,传感器采集散斑图。
进一步地,在本发明的一个实施例中,所述复数神经网络的输入和输出是复数信号,神经网络各层运算基于复数运算,包括复数卷积、复数激活函数、复数权重初始化。
进一步地,在本发明的一个实施例中,所述复数卷积包括:
对于复数输入数据c=a+ib、g=e+if,复数c与g的卷积表示为:c*g=(a+ib)*(e+if)=(a*e-b*f)+i(a*f+b*e),卷积结果的实部和虚部可以分别通过实数卷积获得。
进一步地,在本发明的一个实施例中,所述复数激活函数分别在复数输入数据的实部和虚部上进行激活操作,其中,对于复数输入数据c=a+ib,激活函数f(x),复数激活函数为f(c)=f(a)+if(b)。
进一步地,在本发明的一个实施例中,所述复数权重初始化是对幅值和相位或者实部和虚部分别进行初始化。
进一步地,在本发明的一个实施例中,所述仿真采集数据与所述采集数据的差异包括以下的任一一种或多种:
均方误差、平均绝对误差、平滑平均绝对误差。
进一步地,在本发明的一个实施例中,所述通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数,包括:
更新过程中仅使用所述采集数据作为监督,无需额外的训练数据。
为达上述目的,本发明第二方面实施例提出了一种基于复数神经网络的非训练相位重建装置,包括以下模块:
采集模块,用于获取目标的采集数据;
构建模块,用于构建复数神经网络,所述复数神经网络的输入是所述采集数据,输出是所述目标场景的幅值图像和相位图像;
优化模块,用于使用所述复数神经网络作为生成器,输入所述采集数据,输出重建的幅值图像与相位图像;使用所述重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据;通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数;
迭代模块,用于重复优化模块,使得所述网络参数更新收敛,输出最终的所述目标的幅值图像和相位图像。
进一步地,在本发明的一个实施例中,所述复数神经网络的输入和输出是复数信号,神经网络各层运算基于复数运算,包括复数卷积、复数激活函数、复数权重初始化。
本发明实施例提出的基于复数神经网络的非训练相位重建方法及装置,使用复数神经网络,匹配相位重建任务的数据特征,解决传统实数神经网络缺乏实部与虚部间信息交互、对复数信号表征能力弱的问题,并且无需额外训练样本,对数据依赖性低。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种基于复数神经网络的非训练相位重建方法的流程示意图。
图2为本发明实施例所提供的相位重建测量模型示意图。
图3为本发明实施例所提供的复数神经网络卷积示意图。
图4为本发明实施例所提供的基于复数神经网络的非训练相位重建方法流程图。
图5为本发明实施例所提供的一种基于复数神经网络的非训练相位重建装置的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于复数神经网络的非训练相位重建方法和装置。
实施例1
图1为本发明实施例所提供的一种基于复数神经网络的非训练相位重建方法的流程示意图。
如图1所示,该基于复数神经网络的非训练相位重建方法包括以下步骤:
S1、获取目标的采集数据;
S2、构建复数神经网络,复数神经网络的输入是所述采集数据,输出是目标场景的幅值图像和相位图像;
S3、使用复数神经网络作为生成器,输入采集数据,输出重建的幅值图像与相位图像;使用重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据;通过最小化仿真采集数据与采集数据的差异来更新网络参数;
S4、重复进行S3,使得网络参数更新收敛,输出最终的目标的幅值图像和相位图像。
进一步地,在本发明的一个实施例中,所述采集数据包括所述目标的场景的幅度和相位信息,采集方式包括以下方法中的任一一种或多种:
相干衍射成像,相干光照射所述目标后在远场处形成衍射图样,传感器记录衍射图样的强度信息;
傅里叶叠层成像,通过频域处理利用传感器采集一系列低分辨强度图;
自相关散射成像,光透过散射介质形成散斑图,传感器采集散斑图。
进一步地,在本发明的一个实施例中,所述复数神经网络的输入和输出是复数信号,神经网络各层运算基于复数运算,包括复数卷积、复数激活函数、复数权重初始化。
进一步地,在本发明的一个实施例中,所述复数卷积包括:
对于复数输入数据c=a+ib、g=e+if,复数c与g的卷积表示为:c*g=(a+ib)*(e+if)=(a*e-b*f)+i(a*f+b*e),卷积结果的实部和虚部可以分别通过实数卷积获得。
进一步地,在本发明的一个实施例中,所述复数激活函数分别在复数输入数据的实部和虚部上进行激活操作,其中,对于复数输入数据c=a+ib,激活函数f(x),复数激活函数为f(c)=f(a)+if(b)。
进一步地,在本发明的一个实施例中,所述复数权重初始化是对幅值和相位或者实部和虚部分别进行初始化。
进一步地,在本发明的一个实施例中,所述仿真采集数据与所述采集数据的差异包括以下的任一一种或多种:
均方误差、平均绝对误差、平滑平均绝对误差。
具体地,以仿真采集数据与实际采集数据的误差为损失函数,包括但不限于均方差、平均绝对误差、平滑平均绝对误差。并使用反向传播算法更新网络参数,使得网络向损失函数减小的方向进行优化迭代。
进一步地,在本发明的一个实施例中,所述通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数,包括:
更新过程中仅使用所述采集数据作为监督,无需额外的训练数据。
实施例2
如图2所示,首先获取采集数据,以相干衍射成像系统作为示例。从光源发出的高亮度的相干光穿过空间滤波器,获得了足够大小的相干光束,随后照射在物体上,此时,光波带有了物体的信息称为物波,物波传播D的距离后,形成强度衍射分布,被CCD记录,即为获取的采集数据。
如图3所示,构建复数神经网络,其输入是采集数据,输出是目标的幅值图像与相位图像。基本运算是复数卷积。输入复数张量c=a+ib,复数卷积核Z=X+iY,其中X、Y、a、b为实数。复数卷积过程为:Z*c=(X+iY)*(a+ib)=(X*a-Y*b)+i(Y*a+X*b)。对于复数激活函数,在本实施例中,采用LReLU函数的复数推广形式CLReLU。输入实数x,LReLU(x)可表示为:
则输入复数数据c=a+ib,复数激活函数为CReLU(c)=CReLU(a)+iCReLU(b),其中i为虚数单位,i2=-1。对于复数权重初始化,在本实施例中采用正态分布初始化,对幅值和相位分别进行初始化。
如图4所示,使用复数神经网络作为生成器,输入采集数据,网络输出目标的幅值图像和相位图像。进一步包括:
1)将采集数据作为复数神经网络的输入,经过前向推理,输出重建的幅值图像与相位图像。
2)根据物理成像模型,使用重建的幅值图像与相位图像仿真采集数据。
3)通过最小化仿真采集数据与实际采集数据的差异来更新网络参数。
4)重复进行(1)-(3)步骤,以非训练的方式使网络参数更新收敛,输出目标的幅值图像和相位图像。
网络迭代优化完成后,复数神经网络输出端为重建的具有幅值和相位的复数域目标变量。重建过程简单,解决传统实数神经网络缺乏实部与虚部间信息交互、对复数信号表征能力弱的问题,匹配相位重建任务的复数数据特征,且不需要数据集训练。
本发明实施例提出的基于复数神经网络的非训练相位重建方法,使用复数神经网络,匹配相位重建任务的数据特征,解决传统实数神经网络缺乏实部与虚部间信息交互、对复数信号表征能力弱的问题,并且无需额外训练样本,对数据依赖性低。
为了实现上述实施例,本发明还提出一种基于复数神经网络的非训练相位重建装置。
图5为本发明实施例提供的一种基于复数神经网络的非训练相位重建装置的结构示意图。
如图5所示,该基于复数神经网络的非训练相位重建装置包括:采集模块100,构建模块200,优化模块300,迭代模块400,其中,
采集模块,用于获取目标的采集数据;
构建模块,用于构建复数神经网络,复数神经网络的输入是所述采集数据,输出是所述目标场景的幅值图像和相位图像;
优化模块,用于使用复数神经网络作为生成器,输入采集数据,输出重建的幅值图像与相位图像;使用重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据;通过最小化仿真采集数据与采集数据的差异来更新网络参数;
迭代模块,用于重复优化模块,使得网络参数更新收敛,输出最终的所述目标的幅值图像和相位图像。
进一步地,在本发明的一个实施例中,复数神经网络的输入和输出是复数信号,神经网络各层运算基于复数运算,包括复数卷积、复数激活函数、复数权重初始化。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于复数神经网络的非训练相位重建方法,其特征在于,包括以下步骤:
S1、获取目标的采集数据;
S2、构建复数神经网络,所述复数神经网络的输入是所述采集数据,输出是所述目标场景的幅值图像和相位图像;
S3、使用所述复数神经网络作为生成器,输入所述采集数据,输出重建的幅值图像与相位图像;使用所述重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据;通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数;
S4、重复进行S3,使得所述网络参数更新收敛,输出最终的所述目标的幅值图像和相位图像。
2.根据权利要求1所述的方法,其特征在于,所述采集数据包括所述目标的场景的幅度和相位信息,采集方式包括以下方法中的任一一种或多种:
相干衍射成像,相干光照射所述目标后在远场处形成衍射图样,传感器记录衍射图样的强度信息;
傅里叶叠层成像,通过频域处理利用传感器采集一系列低分辨强度图;
自相关散射成像,光透过散射介质形成散斑图,传感器采集散斑图。
3.根据权利要求1所述的方法,其特征在于,所述复数神经网络的输入和输出是复数信号,神经网络各层运算基于复数运算,包括复数卷积、复数激活函数、复数权重初始化。
4.根据权利要求3所述的方法,其特征在于,所述复数卷积包括:
对于复数输入数据c=a+ib、g=e+if,复数c与g的卷积表示为:c*g=(a+ib)*(e+if)=(a*e-b*f)+i(a*f+b*e),卷积结果的实部和虚部可以分别通过实数卷积获得。
5.根据权利要求3所述的方法,其特征在于,所述复数激活函数分别在复数输入数据的实部和虚部上进行激活操作,其中,对于复数输入数据c=a+ib,激活函数f(x),复数激活函数为f(c)=f(a)+if(b)。
6.根据权利要求3所述的方法,其特征在于,所述复数权重初始化是对幅值和相位或者实部和虚部分别进行初始化。
7.根据权利要求1所述的方法,其特征在于,所述仿真采集数据与所述采集数据的差异包括以下的任一一种或多种:
均方误差、平均绝对误差、平滑平均绝对误差。
8.根据权利要求1所述的方法,其特征在于,所述通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数,包括:
更新过程中仅使用所述采集数据作为监督,无需额外的训练数据。
9.一种基于复数神经网络的非训练相位重建装置,其特征在于,包括以下模块:
采集模块,用于获取目标的采集数据;
构建模块,用于构建复数神经网络,所述复数神经网络的输入是所述采集数据,输出是所述目标场景的幅值图像和相位图像;
优化模块,用于使用所述复数神经网络作为生成器,输入所述采集数据,输出重建的幅值图像与相位图像;使用所述重建的幅值图像与相位图像根据物理成像模型计算得到仿真采集数据;通过最小化所述仿真采集数据与所述采集数据的差异来更新网络参数;
迭代模块,用于重复优化模块,使得所述网络参数更新收敛,输出最终的所述目标的幅值图像和相位图像。
10.根据权利要求9所述的装置,其特征在于,所述复数神经网络的输入和输出是复数信号,神经网络各层运算基于复数运算,包括复数卷积、复数激活函数、复数权重初始化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210622995.XA CN115099389B (zh) | 2022-06-02 | 2022-06-02 | 基于复数神经网络的非训练相位重建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210622995.XA CN115099389B (zh) | 2022-06-02 | 2022-06-02 | 基于复数神经网络的非训练相位重建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115099389A true CN115099389A (zh) | 2022-09-23 |
CN115099389B CN115099389B (zh) | 2024-09-20 |
Family
ID=83289558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210622995.XA Active CN115099389B (zh) | 2022-06-02 | 2022-06-02 | 基于复数神经网络的非训练相位重建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099389B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115633243A (zh) * | 2022-12-01 | 2023-01-20 | 南京理工大学 | 基于传输矩阵理论的透过散射介质泛化成像方法 |
CN115942100A (zh) * | 2022-11-17 | 2023-04-07 | 辽宁大学 | 一种基于非训练的神经网络约束的差分单像素成像系统及成像方法 |
CN116704070A (zh) * | 2023-08-07 | 2023-09-05 | 北京理工大学 | 联合优化的图像重建方法和系统 |
CN117745551A (zh) * | 2024-02-19 | 2024-03-22 | 电子科技大学 | 一种图像信号相位恢复的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257741A (zh) * | 2020-09-07 | 2021-01-22 | 北京航空航天大学杭州创新研究院 | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 |
WO2021244236A1 (zh) * | 2020-06-02 | 2021-12-09 | 中兴通讯股份有限公司 | 预失真方法、系统、设备及存储介质 |
CN114078214A (zh) * | 2021-11-23 | 2022-02-22 | 北京环境特性研究所 | 一种基于复数神经网络的雷达目标rcs识别方法及装置 |
-
2022
- 2022-06-02 CN CN202210622995.XA patent/CN115099389B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021244236A1 (zh) * | 2020-06-02 | 2021-12-09 | 中兴通讯股份有限公司 | 预失真方法、系统、设备及存储介质 |
CN112257741A (zh) * | 2020-09-07 | 2021-01-22 | 北京航空航天大学杭州创新研究院 | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 |
CN114078214A (zh) * | 2021-11-23 | 2022-02-22 | 北京环境特性研究所 | 一种基于复数神经网络的雷达目标rcs识别方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115942100A (zh) * | 2022-11-17 | 2023-04-07 | 辽宁大学 | 一种基于非训练的神经网络约束的差分单像素成像系统及成像方法 |
CN115942100B (zh) * | 2022-11-17 | 2024-09-10 | 辽宁大学 | 一种基于非训练的神经网络约束的差分单像素成像系统及成像方法 |
CN115633243A (zh) * | 2022-12-01 | 2023-01-20 | 南京理工大学 | 基于传输矩阵理论的透过散射介质泛化成像方法 |
CN115633243B (zh) * | 2022-12-01 | 2023-08-04 | 南京理工大学 | 基于传输矩阵理论的透过散射介质泛化成像方法 |
CN116704070A (zh) * | 2023-08-07 | 2023-09-05 | 北京理工大学 | 联合优化的图像重建方法和系统 |
CN116704070B (zh) * | 2023-08-07 | 2023-11-14 | 北京理工大学 | 联合优化的图像重建方法和系统 |
CN117745551A (zh) * | 2024-02-19 | 2024-03-22 | 电子科技大学 | 一种图像信号相位恢复的方法 |
CN117745551B (zh) * | 2024-02-19 | 2024-04-26 | 电子科技大学 | 一种图像信号相位恢复的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115099389B (zh) | 2024-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115099389B (zh) | 基于复数神经网络的非训练相位重建方法及装置 | |
Yonel et al. | Deep learning for passive synthetic aperture radar | |
Shatokhina et al. | Review on methods for wavefront reconstruction from pyramid wavefront sensor data | |
US20220020123A1 (en) | Bayesian image denoising method based on distribution constraint of noisy images | |
CN107958475A (zh) | 基于深度学习生成网络的变角度光照层析方法及装置 | |
CN113762460B (zh) | 基于数值散斑的多模光纤传输图像迁移重构算法 | |
CN115200702A (zh) | 基于复数神经网络的计算成像方法及装置 | |
CN116704070B (zh) | 联合优化的图像重建方法和系统 | |
CN110352387A (zh) | 用于通过多深度稀疏相位恢复重建全息无透镜图像的系统和方法 | |
CN114037609B (zh) | 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法 | |
CN112465703B (zh) | 一种含频谱偏移量估计的傅里叶叠层成像深度学习图像重构方法 | |
CN112348947B (zh) | 一种基于参考信息辅助的深度学习的三维重构方法 | |
Estupiñán et al. | Deep unrolled phase retrieval approach from coded diffraction patterns | |
CN115524018A (zh) | 一种相位差波前检测的求解方法及系统 | |
CN112163186B (zh) | 即插即用的大规模高效鲁棒相位恢复方法与系统 | |
CN112348782A (zh) | 一种基于复数可控金字塔的变化检测方法 | |
CN117214890A (zh) | 基于自学习的毫米波三维成像方法及计算机可读存储介质 | |
Yu et al. | Microscopy image reconstruction method based on convolution network feature fusion | |
CN118364662A (zh) | 基于编解码联合优化的波前传感器构建方法 | |
CN112801294B (zh) | 基于图信号处理的用于加速神经网络推理的方法 | |
CN113808017B (zh) | 基于照明优化的结构光成像方法及装置 | |
CN114187176B (zh) | 一种去除振幅和相位混叠的复数域成像方法和系统 | |
Liaudat et al. | Multi-CCD Point Spread Function Modelling | |
CN118587305A (zh) | 一种用于全息像重建的基于物理模型的自监督学习方法 | |
CN118071855A (zh) | 一种基于多尺度自适应紧标架网络的少角度ct重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |