上海光机所在基于物理增强神经网络的傅里叶相位恢复研究上取得进展

近日，中科院上海光机所空天激光技术与系统部司徒国海研究员团队基于物理增强神经网络，将训练数据的隐式先验与成像系统的显式物理模型相结合，提高了傅里叶相位恢复算法的准确性和稳定性。相关研究成果以“Fourier phase retrieval using physics-enhanced deep learning”为题发表于Optics Letters。 5FzRusNiA  
傅里叶域相位恢复，即从傅里叶变换的强度值（振幅的平方）去恢复物体，是一个应用极为广泛的问题。由于缺乏相位信息，物体和单纯的强度测量值之间的映射并不唯一，给问题带来了极大的病态性。通常情况下，使用不同的编码进行测量可以收集更多的信息，但是需要更复杂的设计和计算，也需要采集多张图像；如果通过交替投影或者压缩感知方法可以从一张图像重建物体，但是收敛性得不到保证；如将问题转化为凸优化可以保证收敛，但是计算起来很复杂，而且需要随机的高斯采样。近年来，深度学习通过大量的数据来学习如何从测量值中重建出物体，这样可以大大减少重建所需的计算时间。但是，这种方法也有它的局限，如在收集训练数据、应用到不同情况的泛化性以及结果的可解释性方面都存在一些问题。 kal8k-$#  
本研究通过名为PhysenNet的物理增强深度学习方法将成像系统的物理模型与神经网络集成在一起，并利用物理一致性损失来指导权重优化，使其成为一个未经训练、可扩展且可解释的逆求解器。方法分为用数据驱动的预训练和物理驱动的微调两步。如图一a、b所示，这种方法充当了传统基于模型的优化算法和数据驱动的深度学习之间的桥梁。恢复效果如图二所示，证明即便测量与训练集的统计分布不同，该方法依然能从单次测量中准确恢复图像。这一研究为傅里叶相位恢复提供了新的思路，为更高性能的成像系统与算法开发提供了基础。 lz*PNT{E