Amplo campo de visão e alta resolução são desejáveis ​​para aplicações de imagem, fornecer informações de alvo multidimensionais e em várias escalas. Como o recente desenvolvimento de imagens de fase, a detecção em grande escala tem sido amplamente empregada em uma variedade de modalidades de imagem, que estende amplamente o produto de largura de banda espacial (SBP) de sistemas ópticos de escala de milhão para escala de bilhão. Uma grande quantidade de dados representa um grande desafio para o processamento de recuperação pós-fase (PR). Portanto, A técnica de RP em larga escala com baixa complexidade computacional e alta fidelidade são de grande importância para as aplicações de imagem e percepção em várias dimensões. Contudo, os algoritmos de PR existentes sofrem com a compensação entre a baixa complexidade computacional, robustez para medição de ruído e forte generalização, tornando-os inaplicáveis ​​para recuperação geral de fase em grande escala.

Em um artigo de pesquisa recém-publicado em eLight , uma equipe de cientistas, liderado pelo Professor Jun Zhang do Instituto de Tecnologia de Pequim, A China desenvolveu uma técnica eficiente de recuperação de fase em grande escala para a obtenção de imagens de fase de domínio complexo de alta fidelidade. Eles combinam o algoritmo de otimização convencional com a técnica de aprendizado profundo e realizam baixa complexidade computacional, robustez para medição de ruído e forte generalização. Eles comparam o método relatado com os métodos de PR existentes em três modalidades de imagem, incluindo imagem de difração coerente (CDI), imagem de padrão de difração codificado (CDP) e microscopia ptychographic de Fourier (FPM).

Os resultados confirmam que, em comparação com o algoritmo de projeção alternada (AP), a técnica relatada é robusta para medição de ruído com até 17dB de melhoria na relação sinal-ruído. Comparado com os algoritmos baseados em otimização, o tempo de execução é significativamente reduzido em mais de uma ordem de magnitude. Além do mais, pela primeira vez, eles demonstram a recuperação de fase em escala ultra-grande no nível de 8K em tempo de nível de minuto.

A técnica de PR relatada baseia-se na estrutura de otimização plug-and-play (PNP), e estende a estratégia eficiente de projeção alternada generalizada (GAP) do espaço real para o espaço não linear. Esses cientistas resumem os caracteres de sua técnica:"O esquema de campo complexo PNP-GAP garante forte generalização de nossa técnica em várias modalidades de imagem, e supera as técnicas convencionais de PNP com menos variáveis ​​auxiliares, menor complexidade computacional e convergência mais rápida. "

"Na estrutura GAP, o problema de recuperação de fase é decomposto em dois subproblemas. Introduzimos um solucionador de projeção alternada e uma rede neural de aprimoramento, respectivamente, para resolver os dois subproblemas. Esses dois solucionadores compensam as deficiências um do outro, permitindo que a otimização contorne a pobre generalização do aprendizado profundo e a fraca robustez do AP a ruído.

"Beneficiando-se da estrutura de otimização flexível, nossa técnica é capaz de apresentar os melhores solucionadores no futuro para se atualizarem. Além do mais, é interessante investigar a influência do emprego de outros solucionadores de aprimoramento de imagem, como rede neural de super-resolução, rede de remoção de manchas e rede de remoção de distorção. Isso pode abrir novos insights para recuperação de fase com qualidade ainda mais aprimorada, "escrevem os cientistas.