【產(chǎn)通社，5月16日訊】中國科學(xué)院上海光學(xué)精密機械研究所（Shanghai Institute of Optics and Fine Mechanics）官網(wǎng)消息，其信息光學(xué)與光電技術(shù)實驗室近期與德國斯圖加特大學(xué)應(yīng)用光學(xué)研究所、美國麻省理工學(xué)院合作，提出并實驗驗證了一種基于物理模型和深度神經(jīng)網(wǎng)絡(luò)的新型計算成像方法，無需大量帶標簽的數(shù)據(jù)來完成神經(jīng)網(wǎng)絡(luò)訓(xùn)練，將能有力促進人工智能技術(shù)在計算成像中的廣泛應(yīng)用。相關(guān)成果于5月6日在線發(fā)表于《光：科學(xué)與應(yīng)用》(Light: Science & Applications)。

近年來，基于深度學(xué)習(xí)的方法被廣泛應(yīng)用于計算成像中，在相位恢復(fù)、數(shù)字全息、單像素成像、散射成像等眾多領(lǐng)域取得了一系列令人矚目的成果。然而，傳統(tǒng)基于深度學(xué)習(xí)的計算成像方法大都采用監(jiān)督學(xué)習(xí)的策略，因此需要預(yù)先獲取大量帶標簽的數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，且所獲取數(shù)據(jù)的數(shù)量和質(zhì)量對所得模型的性能具有很大影響，而在實際應(yīng)用中這一條件往往是難以滿足的。盡管此前研究表明，當成像系統(tǒng)的正向物理模型已知時可以通過仿真生成訓(xùn)練數(shù)據(jù)，但是神經(jīng)網(wǎng)絡(luò)的泛化性總是有限的，所得模型只能對類似訓(xùn)練集的場景得到較好的結(jié)果。

針對基于深度學(xué)習(xí)的計算成像方法中訓(xùn)練數(shù)據(jù)難以獲取和模型泛化性有限的問題，研究人員提出將物理模型與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法(Physics-enhanced deep neural network, PhysenNet)，利用物理模型替代訓(xùn)練數(shù)據(jù)來驅(qū)動網(wǎng)絡(luò)參數(shù)的優(yōu)化。相比傳統(tǒng)數(shù)據(jù)驅(qū)動的端到端深度學(xué)習(xí)方法，PhysenNet無需獲取訓(xùn)練數(shù)據(jù)且是一種具有普適性的方法。相比模型驅(qū)動的優(yōu)化算法，PhysenNet無需使用顯式正則項就能用于病態(tài)逆問題（從探測到的物理測量中恢復(fù)原始物體信息，在探測階段存在諸如相位等信息丟失）的求解。

研究人員以計算成像中的經(jīng)典例子——相位成像來驗證該方法的有效性，通過不斷迭代使神經(jīng)網(wǎng)絡(luò)輸出結(jié)果經(jīng)衍射傳播和測量過程（物理模型）后計算得到的衍射強度圖逐漸逼近實際測量的衍射強度圖，隨著迭代的進行，神經(jīng)網(wǎng)絡(luò)輸出結(jié)果也逐漸逼近實際待求相位物體。

實驗結(jié)果表明，在僅使用單張衍射強度圖時，PhysenNet的恢復(fù)效果優(yōu)于需在多個離焦面之間來回迭代的Gerchberg-Saxton（GS）算法的恢復(fù)效果，且接近數(shù)字全息方法的恢復(fù)效果。該方法可應(yīng)用于眾多正向物理模型已知的計算成像方法中。

該項工作得到中科院前沿科學(xué)重點研究計劃、中德中心“中德合作小組”和國家自然科學(xué)基金重大項目的支持。

查詢進一步信息，請訪問官方網(wǎng)站http://www.siom.cas.cn。（robin, 張底剪報）    （完）