Brett synfält och hög upplösning är båda önskvärda för bildbehandlingsapplikationer, tillhandahålla flerdimensionell och flerskalig målinformation. Som den senaste utvecklingen av fasavbildning, storskalig detektion har använts i stor utsträckning i en mängd olika bildbehandlingsmodaliteter, som i hög grad utvidgar spatial-bandwidth-produkten (SBP) för optiska system från miljonskala till miljardskala. En så stor mängd data utgör en stor utmaning för bearbetning efter fasåtervinning (PR). Därför, storskalig PR-teknik med låg beräkningskomplexitet och hög trohet är av stor betydelse för dessa avbildnings- och perceptionstillämpningar i olika dimensioner. Dock, de befintliga PR-algoritmerna lider av kompromissen mellan låg beräkningskomplexitet, robusthet mot mätbrus och stark generalisering, vilket gör dem otillämpliga för allmän storskalig fasåtervinning.

I en nyligen publicerad forskningsartikel i eLight , ett team av forskare, ledd av professor Jun Zhang från Beijing Institute of Technology, Kina har utvecklat en effektiv storskalig fasåtervinningsteknik för att realisera fasavbildning med hög kvalitet i komplexa domäner. De kombinerar den konventionella optimeringsalgoritmen med djupinlärningstekniken och realiserar låg beräkningskomplexitet, robusthet mot mätbuller och stark generalisering. De jämför den rapporterade metoden med de befintliga PR-metoderna på tre avbildningsmodaliteter, inklusive koherent diffraktionsavbildning (CDI), kodad diffraktionsmönsteravbildning (CDP) och Fourier ptykografisk mikroskopi (FPM).

Resultaten bekräftar att jämfört med algoritmen för alternerande projektion (AP), den rapporterade tekniken är robust för mätning av brus med så mycket som 17 dB förbättring av signal-brusförhållandet. Jämfört med de optimeringsbaserade algoritmerna, körtiden reduceras avsevärt med mer än en storleksordning. Förutom, de visar för första gången ultrastorskalig fasåtervinning på 8K-nivå i minutnivåtid.

Den rapporterade PR-tekniken bygger på plug-and-play (PNP) optimeringsramverket, och utökar strategin för effektiv generaliserad-alternerande-projektion (GAP) från verklig rymd till icke-linjär rymd. Dessa forskare sammanfattar karaktärerna hos deras teknik:"PNP-GAP-schemat med komplexa fält säkerställer en stark generalisering av vår teknik på olika avbildningsmodaliteter, och överträffar de konventionella PNP-teknikerna med färre hjälpvariabler, lägre beräkningskomplexitet och snabbare konvergens."

"Under GAP-ramverket, fasåtervinningsproblemet sönderdelas med två delproblem. Vi introducerade en alternerande projektionslösare respektive ett förbättrande neuralt nätverk för att lösa de två delproblemen. Dessa två lösare kompenserar varandras brister, tillåter optimeringen att kringgå den dåliga generaliseringen av djupinlärning och dålig brustålighet hos AP.

"Att dra nytta av det flexibla optimeringsramverket, vår teknik kan introducera de bästa lösarna i framtiden för att uppdatera sig själv. Förutom, det är intressant att undersöka inflytandet av att använda andra bildförbättrande lösare som superupplösta neurala nätverk, nätverk för suddighet och borttagning av distorsion. Detta kan öppna nya insikter för fasåtervinning med ytterligare förstärkt kvalitet, " skriver forskarna.