PhaseNet：一种用于二维相位解缠的深度卷积神经网络

摘要： 相位解缠是多个应用领域中一项关键的信号处理问题，其目标是从包裹相位中恢复原始相位。本文提出一种名为PhaseNet的新型深度全卷积神经网络相位解缠框架。我们将直接获取连续原始相位的定义重构为通过语义分割获取每个像素的缠绕数（2π整数跳变），并通过合适的深度学习框架实现。该架构包含编码器网络、对应的解码器网络及像素级分类层。利用绝对相位与缠绕数之间的关系，我们生成了多种随机形状的丰富模拟数据，使网络专注于学习包裹相位图中的连续性而非训练数据的特定模式。通过与广泛采用的质量引导相位解缠算法及不同噪声水平下的MATLAB unwrap函数对比，发现本框架具有抗噪性强和计算快速的特点。结果表明深度卷积神经网络（DCNN）确实能有效应用于相位解缠，本框架有望为开发新型基于深度学习的相位解缠方法奠定基础。