中国科学院 信用:CC0公共领域 一种从噪声强度信号中提取光相位的无伪影计算方法改善了在弱光条件下透明物体(例如生物细胞)的成像
该过程将强度信号分成高频和低频频谱通道
深度神经网络被训练为在这两个频带上操作，然后最终算法将它们重组为全频带相位图像
这种方法避免了自动相位提取程序过度表示低频的趋势
电磁场相位的恢复是光学中最重要的问题之一，因为它允许使用可见光量化透明物体(包括细胞)的形状
相位是与光的波动性质有关的量；它不能被我们的眼睛或普通的照相机直接探测到，但却携带着关于光线所经过的物体的重要信息
用很少的光来测量相位会更加有趣和有用
光入射低，例如对生物样品的光毒性降低；然而，恢复相位的问题也变得更加困难
以前基于深度学习的算法在弱光条件下确实比传统方法有所改进，但在重建中显示出过度表现低空间频率的趋势，这意味着重建看起来模糊不清
在《光科学与应用》杂志上发表的一篇新论文中，麻省理工学院三维光学系统组的科学家提出了“DNN合成学习”方法，通过将输入信号分成低空间频带和高空间频带来克服这种不均匀保真度
然后，深层神经网络可以分别处理这两个频带；随后，第三神经网络学习将两个频带合成到最终重建中，该最终重建在所有频带中都是高保真的
作者发现，最小二乘法在处理极其嘈杂的强度信号时特别稳健
科学家将他们的最小二乘DNN算法的影响总结为:“我们提出了一个框架，当我们有意地在他们的舒适区之外操作学习算法时，我
e
使用不同于训练算法的示例类型，不会像使用替代方法那样导致灾难
这要归功于我们提出的架构的分裂和重组结构
例如，低频带由一个知道如何处理低频的神经网络处理，但不一定关心低频来自什么类型的物体
类似地，对于高频
合成器还被训练成最佳地重新组合两个频带
这种鲁棒性表明该算法易于在实际情况中应用
" “在弱光条件下工作的主要优点是，可以减少传送到标本的光量
我们的实验是用可见光进行的；然而，同样的原理也适用于其他波段的电磁辐射
g
x射线
我们知道x光是有害的，所以如果你能获得同样的图像质量，但辐射剂量要低得多，那将是一大进步
" “最小二乘法是通用的，适用于各种各样的问题，我们称之为逆问题，这意味着你对一个物体有间接的、不完整的或嘈杂的观察，你试图正确地揭示物体本身
从我们之前提到的x光到超声波扫描、核磁共振成像、地球科学研究来发现石油——所有这些都是类似问题发生的例子
原则上，我们的技术是适用的，因为低频和高频之间的竞争是所有这些问题的共同之处，噪声和有限的信号也是如此
因此，我们对很快在所有这些不同领域获得更清晰的图像抱有很高的希望，”他们总结道
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
