Tanto el campo de visión amplio como la alta resolución son deseables para aplicaciones de imágenes, Proporcionar información de objetivos multidimensional y multiescala. Como el desarrollo reciente de imágenes de fase, La detección a gran escala se ha empleado ampliamente en una variedad de modalidades de imágenes, que amplía en gran medida el producto de ancho de banda espacial (SBP) de los sistemas ópticos de una escala de un millón a una escala de mil millones. Una cantidad tan grande de datos plantea un gran desafío para el procesamiento de recuperación posterior a la fase (PR). Por lo tanto, La técnica de relaciones públicas a gran escala con baja complejidad computacional y alta fidelidad es de gran importancia para las aplicaciones de imágenes y percepción en diversas dimensiones. Sin embargo, los algoritmos de relaciones públicas existentes sufren la compensación entre baja complejidad computacional, robustez al ruido de medición y fuerte generalización, haciéndolos inaplicables para la recuperación de fase general a gran escala.

En un artículo de investigación recientemente publicado en eLight , un equipo de científicos, dirigido por el profesor Jun Zhang del Instituto de Tecnología de Beijing, China ha desarrollado una técnica eficiente de recuperación de fase a gran escala para obtener imágenes de fase de dominio complejo de alta fidelidad. Combinan el algoritmo de optimización convencional con la técnica de aprendizaje profundo y logran una baja complejidad computacional, robustez al ruido de medición y fuerte generalización. Comparan el método informado con los métodos de RP existentes en tres modalidades de imagen, incluyendo imágenes de difracción coherente (CDI), imagen de patrón de difracción codificada (CDP) y microscopía pticográfica de Fourier (FPM).

Los resultados confirman que, en comparación con el algoritmo de proyección alterna (AP), la técnica informada es robusta para medir el ruido con una mejora de hasta 17 dB en la relación señal / ruido. En comparación con los algoritmos basados ​​en optimización, el tiempo de ejecución se reduce significativamente en más de un orden de magnitud. Además, por primera vez demuestran la recuperación de fase a gran escala en el nivel de 8K en tiempo de nivel de minutos.

La técnica de relaciones públicas informada se basa en el marco de optimización plug-and-play (PNP), y extiende la estrategia eficiente de proyección generalizada-alternante (GAP) del espacio real al espacio no lineal. Estos científicos resumen los caracteres de su técnica:"El esquema PNP-GAP de campo complejo asegura una fuerte generalización de nuestra técnica en diversas modalidades de imagen, y supera a las técnicas PNP convencionales con menos variables auxiliares, menor complejidad computacional y convergencia más rápida ".

"En el marco de GAP, el problema de recuperación de fase se descompone en dos subproblemas. Introdujimos un solucionador de proyección alterna y una red neuronal mejorada, respectivamente, para resolver los dos subproblemas. Estos dos solucionadores compensan las deficiencias del otro, permitiendo que la optimización eluda la mala generalización del aprendizaje profundo y la poca robustez del ruido de AP.

"Beneficiándose del marco de optimización flexible, nuestra técnica es capaz de introducir los mejores solucionadores en el futuro para actualizarse. Además, Es interesante investigar la influencia de emplear otros solucionadores de mejora de imágenes, como la red neuronal de superresolución, red de eliminación de borrosidad y red de eliminación de distorsiones. Esto puede abrir nuevos conocimientos para la recuperación de fases con una calidad aún mayor, "escriben los científicos.