基于深度学习的重影成像

AI涌现编译

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

译者：赵烁雅

由于鬼影成像的成像速度不尽如人意，自身算法存在问题，所以本文提出了一种新的深度学习重影成像方法，该方法在计算速度和图像精度上都具有优势。

自1995年以来，鬼影成像有了很大的发展并延伸到许多相关领域，但成像速度一直是一个大问题，最近尝试的提高成像速度的方法多集中于改进数据采集方法，但采集数据也需要很长时间。科学家们又提出用CS的技术进行成像实验，但CS需要大量的计算，导致长时间的信号处理，限制了GI的成像速度。

为了达到我们在保证图像精度的前提下快速重建图像，并且减少工作量的目的，我们利用深度学习的方法取代目前的GI方法。深度学习是最流行的系统优化方法，代表了机器学习的延伸，适用于科学商业和政府的许多领域。我们的技术的目标是以低采样率快速准确地重建目标图像。虽然CS算法对于获取理想目标图像有很大的计算挑战，但它可以在低采样率下快速重建基本目标图像，基于深度CNN网络的快速重建算法，该算法能够以较少的采样点重建原始图像，该方法解决了CS算法效率低，应用条件有限的问题，因此利用CS和卷积神经网络（CNN）可以在输入数据和标签之间建立完整的映射。在我们的DLGI方法中使用的新CNN被称为GI卷积神经网络（GICNN），通过使用GICNN，可以训练低采样率的输入数据。测试时，可以在低采样率下快速准确地重建目标图像。

原图

CNN处理后

实验结果表明不同的复杂场景需要不同数量的训练数据，复杂的场景需要大量的训练数据，并且简单的场景需要很小的场景。GI中涉及的不同方法，进行回波信号与目标平面独立散斑图之间的相关计算是基本的相关方法。目标可以通过我们的方法重建，应该在我们已经训练的数据集中。目标被训练的种类越多，重建的目标就越多。同时，我们的方法对未知目标成像的适用性将成为我们下一步的重点。

一系列仿真和实验结果表明，与常规GI方法相比，DLGI方法在低采样率下可以更快，更准确地获得目标图像。我们的方法提供了一种将人工智能引入GI的方法。此外，与我们的方法相似的其他成像方法可以应用于我们的方法。

本文为AI涌现原创，转载请联系本公众号获得授权。