【儀表網 儀表研發】近期，中國科學院上海光學精密機械研究所信息光學與光電技術實驗室與德國斯圖加特大學應用光學研究所、美國麻省理工學院合作，提出并實驗驗證了一種基于物理模型和深度神經網絡的新型計算成像方法，無需大量帶標簽的數據來完成神經網絡訓練，將能有力促進人工智能技術在計算成像中的廣泛應用。
近年來，基于深度學習的方法被廣泛應用于計算成像中，在相位恢復、數字全息、單像素成像、散射成像等眾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。
成像系統按系統的結構、掃描方式和探測器件的不同，大致分為：
①光學機械掃描。如多光譜掃描儀。多采用反射鏡對物面進行掃描，經分光、檢波和光電轉換后輸出影像數據。
②電子掃描。如返束光導管電視攝像機，屬像面掃描方式。其過程是光學成像于光導管靶面，經電子束掃描后將信號放大輸出。
③固體自掃描。如法國SPOT衛星的光電掃描傳感器，亦屬像面掃描方式。景物經物鏡成像在由許多電荷耦合器件(CCD)組成的探測器面陣上，經光電轉換后輸出。
④天線掃描。如側視雷達，屬物面掃描方式的一種主動式遙感成像系統。它通過天線發射微波波束并接收景物反射的回波經解調后輸出。
針對基于深度學習的計算成像方法中訓練數據難以獲取和模型泛化性有限的問題，研究人員提出將物理模型與神經網絡相結合的方法，利用物理模型替代訓練數據來驅動網絡參數的優化。相比傳統數據驅動的端到端深度學習方法，PhysenNet無需獲取訓練數據且是一種具有普適性的方法。相比模型驅動的優化算法，PhysenNet無需使用顯式正則項就能用于病態逆問題(從探測到的物理測量中恢復原始物體信息，在探測階段存在諸如相位等信息丟失)的求解。
同攝影系統相比，掃描成像系統的優點是：
①工作波段約在0.38～14.0微米，范圍大，并可靈活確定波段劃分數量及 [1] 波段帶寬。
②采用儀器內部分光，有利于不同波段影像的精確配準。
③經輻射校準后的影像密度便于機助處理和分類。
研究人員以計算成像中的經典例子——相位成像來驗證該方法的有效性，通過不斷迭代使神經網絡輸出結果經衍射傳播和測量過程(物理模型)后計算得到的衍射強度圖逐漸逼近實際測量的衍射強度圖，隨著迭代的進行，神經網絡輸出結果也逐漸逼近實際待求相位物體。實驗結果表明，在僅使用單張衍射強度圖時，PhysenNet的恢復效果優于需在多個離焦面之間來回迭代的Gerchberg-Saxton(GS)算法的恢復效果，且接近數字全息方法的恢復效果。該方法可應用于眾多正向物理模型已知的計算成像方法中。
所有評論僅代表網友意見，與本站立場無關。