近期，中国科学院上海光学精密机械研讨所信息光学与光电技能试验室与德国斯图加特大学运用光学研讨所、美国麻省理工学院协作，提出并试验验证了一种根据物理模型和深度神经网络的新式核算成像办法，无需很多带标签的数据来完结神经网络练习，将能有力促进人工智能技能在核算成像中的大范围的运用。相关作用于5月6日在线发表于《光：科学与运用》(Light: Science & Applications)。
近年来，根据深度学习的办法被广泛运用于核算成像中，在相位康复、数字全息、单像素成像、散射成像等很多范畴取得了一系列令人瞩目的作用。可是，传统根据深度学习的核算成像办法大都选用监督学习的战略，因而需求预先获取很多带标签的数据来练习神经网络，且所获取数据的数量和质量对所得模型的功能具有很大影响，而在实践运用中这一条件往往是难以满意的。虽然此前研讨标明，当成像体系的正向物理模型已知时可以终究靠仿真生成练习数据，可是神经网络的泛化性总是有限的，所得模型只能对相似练习集的场景得到较好的成果。
针对根据深度学习的核算成像办法中练习数据难以获取和模型泛化性有限的问题，研讨人员提出将物理模型与神经网络相结合的办法(Physics-enhanced deep neural network, PhysenNet)，运用物理模型代替练习数据来驱动网络参数的优化。比较传统数据驱动的端到端深度学习办法，PhysenNet无需获取练习数据且是一种具有普适性的办法。比较模型驱动的优化算法，PhysenNet无需运用显式正则项就能用于病态逆问题（从勘探到的物理丈量中康复原始物体信息，在勘探阶段存在比如相位等信息丢掉）的求解。
研讨人员以核算成像中的经典比如——相位成像来验证该办法的有效性，经过不断迭代使神经网络输出成果经衍射传达和丈量进程（物理模型）后核算得到的衍射强度图逐步迫临实践丈量的衍射强度图，跟着迭代的进行，神经网络输出成果也逐步迫临实践待求相位物体（图1）。试验成果（图2）标明，在仅运用单张衍射强度图时，PhysenNet的康复作用优于需在多个离焦面之间来回迭代的Gerchberg-Saxton（GS）算法的康复作用，且挨近数字全息办法的康复作用。该办法可运用于很多正向物理模型已知的核算成像办法中。
该项作业得到中科院前沿科学要点研讨方案、中德中心“中德协作小组”和国家自然科学基金重大项目的支撑。
图1 PhysenNet原理图
图2 试验成果 (a)试验设备图；(b)和(g)两个相位型物体的衍射强度图分别为(c)和(h); 运用PhysenNet、数字全息、GS办法康复的成果分别为(d)和(i)、(e)和(j)、(f)和(k)
来历：中国科学院上海光学精密机械研讨所
