研究目的
为了展示深度神经网络在弱光照明物体恢复中的应用,并在等效信噪比条件下将其性能与经典的Gerchberg-Saxton相位恢复算法进行比较。
研究成果
研究表明,深度神经网络能有效解决受不同强度强散粒噪声影响的相干相位恢复问题。这种基于物理信息的方法利用物体初始估计进行训练,其重建质量优于端到端方法和经典Gerchberg-Saxton算法,尤其对IC版图等受限类别的物体效果更佳。
研究不足
该研究受限于光的量子化特性,这会引入无法避免的散粒噪声。随着噪声影响加剧,重建算法的性能会下降。此外,深度神经网络的效率依赖于训练集的先验知识。
1:实验设计与方法选择:
本研究采用深度神经网络(DNN)进行弱光条件下的相位恢复,并将其性能与Gerchberg-Saxton(GS)算法进行比较。DNN使用两组数据库进行训练:一组是受限的集成电路(IC)版图类别,另一组是更通用的ImageNet图像数据集。
2:样本选择与数据来源:
训练集包含用于训练、验证和测试的256×256像素图像,数量分别为9500、450和50个样本。
3:450和50个样本。
实验设备与材料清单:
3. 实验设备与材料清单:使用氦氖激光器、透射式空间光调制器(SLM)、EM-CCD探测器以及各种透镜和滤光片。
4:实验步骤与操作流程:
控制光源强度,通过SLM调制光束。调制后的光由EM-CCD检测,数据经DNN处理以实现相位恢复。
5:数据分析方法:
采用皮尔逊相关系数(PCC)作为重建质量的评价指标。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容