上海光机所在计算成像研究方面取得新进展

  • 日期:09-14
  • 点击:(1749)


从事机器教授2019.9.2我想分享

近日,中国科学院上海光学精密机械研究所信息光学与光电子技术研究所研究员司徒国海在深度学习计算成像方法方面取得新进展,为深度学习提供理论和实验应用。在计算成像中。指南。相关结果发表在[Optics Express 27,18,(2019)]中。

计算成像是计算机技术和光学成像技术之间的交叉领域。近年来,随着人工智能特别是深度学习技术的快速发展,基于深度学习的图像重建算法被广泛应用于计算机成像中。然而,现有的基于深度学习的计算成像方法需要预先在大量输入和输出数据对中训练神经网络,并且在实验过程中需要收集大量数据,并且需要重新进行当成像场景或成像系统变化很大时获取。这限制了该方法的实际应用。

研究小组提出了一种训练神经网络的方法,利用仿真数据恢复实验数据,计算鬼影成像(单像素成像方法,由多个照明光场及其编码对象获得)。该方法的可行性在图像中得到验证。重建。首先,基于计算重影成像和实验装置参数模拟的原理生成训练数据,然后使用模拟数据训练神经网络(图1)。经过训练的网络可以6.25%的采样率恢复实验数据。与传统的强度相关和压缩感知方法相比,它具有更好的重建效果,在重建过程中不需要使用照明光场的信息。方法到最后(图2)。此外,由于计算重影成像的独特优势,当物体和探测器之间存在散射介质而不模拟散射介质时,该方法仍然可以恢复图像(图3)。

相关研究得到了国家自然科学基金和中德合作组的支持。

图1模拟了数据生成和网络培训的过程

图2模拟和实验结果的比较

图3通过散射介质的图像

收集报告投诉

近日,中国科学院上海光学精密机械研究所信息光学与光电子技术实验室研究员斯图国海在深度学习计算成像方法方面取得新进展,为应用提供理论和实验指导。计算机成像中的深度学习。相关结果发表在[Optics Express 27,18,(2019)]中。

计算成像是计算机技术和光学成像技术的交叉领域。近年来,随着人工智能特别是深度学习技术的快速发展,基于深度学习的图像重建算法被广泛应用于计算机成像中。然而,现有的基于深度学习的计算成像方法需要预先在大量输入输出数据上训练神经网络,并在实验中收集大量数据,并在成像场景或成像时重新采集。系统变化很大。这限制了该方法的实际应用。

研究小组提出了一种训练神经网络的方法,利用仿真数据恢复实验数据,计算鬼影成像(单像素成像方法,由多个照明光场及其编码对象获得)。该方法的可行性在图像中得到验证。重建。首先,基于计算重影成像和实验装置参数模拟的原理生成训练数据,然后使用模拟数据训练神经网络(图1)。经过训练的网络可以6.25%的采样率恢复实验数据。与传统的强度相关和压缩感知方法相比,它具有更好的重建效果,在重建过程中不需要使用照明光场的信息。方法到最后(图2)。此外,由于计算重影成像的独特优势,当物体和探测器之间存在散射介质而不模拟散射介质时,该方法仍然可以恢复图像(图3)。

相关研究得到了国家自然科学基金和中德合作组的支持。

图1模拟数据生成和网络培训过程

图2模拟和实验结果的比较

图3通过散射介质成像