Derin öğrenmeyle kurtarmada devrim yaratıyor

Elektromanyetik bir alan olarak ışığın iki temel bileşeni vardır: genlik ve faz. Bununla birlikte, tipik olarak fotondan elektrona dönüşüme dayanan fotodetektörler (örneğin yük bağlantılı cihaz sensörleri ve insan gözü), sınırlı örnekleme frekanslarından dolayı ışık alanının fazını yakalayamaz. Neyse ki, ışık alanı yayıldıkça faz gecikmesi genlik dağılımında da değişikliklere neden olur; Bu nedenle, yayılan ışık alanının genliğini kaydedebilir ve ardından faz geri kazanımı adı verilen ilgili fazı hesaplayabiliriz. Bazı yaygın faz kurtarma yöntemleri arasında holografi/interferometri, Schack-Hartmann dalga cephesi algılama, yoğunluk denklemi aktarımı ve optimizasyona dayalı yöntemler (faz kurtarma) yer alır. Uzaysal ve zamansal çözünürlük, hesaplama karmaşıklığı ve uygulama kapsamı açısından kendi dezavantajları vardır. Son yıllarda, gerçek yapay zekaya (AI) doğru önemli bir adım olarak, genellikle derin sinir ağları aracılığıyla uygulanan derin öğrenme, kurtarma aşamasında benzeri görülmemiş bir performansa ulaştı.

Light Science & Application dergisinde yayınlanan yeni bir inceleme makalesinde, Hong Kong Üniversitesi, Northwestern Politeknik Üniversitesi, Hong Kong Çin Üniversitesi, Guangdong Teknoloji Üniversitesi ve MIT'den bilim insanları, aşağıdaki dört yaklaşımdan derin öğrenme aşaması kurtarmaya yönelik farklı yaklaşımları inceliyorlar perspektifler:

• Faz kurtarma için derin öğrenme ön işlemesi: Sinir ağı, süper piksel çözünürlüğü, gürültü azaltma, 3 boyutlu görüntü oluşturma ve otomatik odaklama gibi faz kurtarmadan önce yoğunluk ölçümüne ilişkin bazı ön işlemeler yapar.

• Aşama kurtarma için işleme sırasında derin öğrenme: Sinir ağı, denetimli veya denetimsiz öğrenme modları aracılığıyla doğrudan aşama kurtarmayı gerçekleştirir veya fiziksel model veya fizik tabanlı algoritma ile birlikte faz kurtarma sürecine katılır.

• Aşama kurtarma için derin öğrenme sonrası işleme: Sinir ağı, gürültü azaltma, çözünürlük iyileştirme, kilit taşı düzeltme ve faz açma gibi aşama kurtarma sonrasında işlem sonrası işlemleri gerçekleştirir.

• Aşama işleme için derin öğrenme: Sinir ağı, kurtarılan aşamayı segmentasyon, sınıflandırma ve görüntüleme modeli dönüşümü gibi belirli uygulamalar için kullanır.

Okuyucuların kurtarma aşaması hakkında daha fazla bilgi sahibi olmasını sağlamak için ayrıca canlı bir güncelleme kaynağı da sağladılar (https://github.com/kqwang/phase-recovery).

Derin öğrenme, iyileşme aşamasının çeşitli süreçlerine uygulandığında, daha önce benzeri görülmemiş etkiler yaratmanın yanı sıra öngörülemeyen bazı riskleri de beraberinde getirir. Bazı yöntemler benzer görünebilir ancak fark edilmesi zor farklılıklar vardır. Bu akademisyenler bazı benzer yaklaşımlar arasındaki farklara ve bağlantılara dikkat çekiyor ve derin öğrenmeden ve aşamalı iyileşmenin fiziksel modellerinden en iyi şekilde nasıl yararlanılacağına dair öneriler sunuyor:

“UPD (eğitimsiz fizik odaklı) şemasının bir ön koşul olarak birçok yoğunlaştırılmış görüntüden yoksun olduğu, ancak her çıkarım için birçok yineleme gerektirdiği; tPD (eğitimli fizik odaklı) şemasının ise çıkarımı yalnızca görsellerden geçerek tamamladığı unutulmamalıdır. eğitimli bir sinir ağı.” “Bir kerelik, ancak ön eğitim için çok sayıda yoğun görüntü gerektiriyor.”

“G_F Vektör sabitidir, bu da sinir ağına yapılan girdilerin örnekten bağımsız olduğu anlamına gelir ve bu nedenle sinir ağı, PD yaklaşımı gibi önceden eğitilemez,” dediler Fizikteki önceki yapısal ağ stratejisini sunarken.

“Öğrenme tabanlı derin sinir ağları muazzam bir potansiyele ve verimliliğe sahipken, geleneksel fizik tabanlı yöntemler daha güvenilirdir. Bu nedenle, özellikle gerçek dünyanın iyi modellemesini yapanlar için fiziksel modellerin derin sinir ağlarıyla entegrasyonunu teşvik ediyoruz. Derin sinir ağının tüm görevleri bir kara kutu olarak yönetmesine izin vermektense.” Bilim adamları öneriyor.