基於深度學習的重影成像

AI湧現編譯

作者：Yuchen He, Gao Wang, Guoxiang Dong, Shitao Zhu, Hui Chen, Anxue Zhang & Zhuo Xu

譯者：趙爍雅

由於鬼影成像的成像速度不盡如人意，自身演算法存在問題，所以本文提出了一種新的深度學習重影成像方法，該方法在計算速度和圖像精度上都具有優勢。

自1995年以來，鬼影成像有了很大的發展並延伸到許多相關領域，但成像速度一直是一個大問題，最近嘗試的提高成像速度的方法多集中於改進數據採集方法，但採集數據也需要很長時間。科學家們又提出用CS的技術進行成像實驗，但CS需要大量的計算，導致長時間的信號處理，限制了GI的成像速度。

為了達到我們在保證圖像精度的前提下快速重建圖像，並且減少工作量的目的，我們利用深度學習的方法取代目前的GI方法。深度學習是最流行的系統優化方法，代表了機器學習的延伸，適用於科學商業和政府的許多領域。我們的技術的目標是以低採樣率快速準確地重建目標圖像。雖然CS演算法對於獲取理想目標圖像有很大的計算挑戰，但它可以在低採樣率下快速重建基本目標圖像，基於深度CNN網路的快速重建演算法，該演算法能夠以較少的採樣點重建原始圖像，該方法解決了CS演算法效率低，應用條件有限的問題，因此利用CS和卷積神經網路（CNN）可以在輸入數據和標籤之間建立完整的映射。在我們的DLGI方法中使用的新CNN被稱為GI卷積神經網路（GICNN），通過使用GICNN，可以訓練低採樣率的輸入數據。測試時，可以在低採樣率下快速準確地重建目標圖像。

原圖

CNN處理後

實驗結果表明不同的複雜場景需要不同數量的訓練數據，複雜的場景需要大量的訓練數據，並且簡單的場景需要很小的場景。GI中涉及的不同方法，進行回波信號與目標平面獨立散斑圖之間的相關計算是基本的相關方法。目標可以通過我們的方法重建，應該在我們已經訓練的數據集中。目標被訓練的種類越多，重建的目標就越多。同時，我們的方法對未知目標成像的適用性將成為我們下一步的重點。

一系列模擬和實驗結果表明，與常規GI方法相比，DLGI方法在低採樣率下可以更快，更準確地獲得目標圖像。我們的方法提供了一種將人工智慧引入GI的方法。此外，與我們的方法相似的其他成像方法可以應用於我們的方法。

本文為AI湧現原創，轉載請聯繫本公眾號獲得授權。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！