通过深度学习彻底改变恢复

光作为一种电磁场，具有两个基本组成部分：振幅和相位。 然而，通常依赖于光子到电子转换的光电探测器（例如电荷耦合器件传感器和人眼）由于采样频率有限而无法捕获光场的相位。 幸运的是，随着光场的传播，相位延迟也会引起幅度分布的变化； 因此，我们可以记录传播光场的幅度，然后计算出相应的相位，这称为相位恢复。 一些常见的相位恢复方法包括全息/干涉测量、Shack-Hartmann 波前传感、密度方程传递和基于优化的方法（相位恢复）。 它们在空间和时间分辨率、计算复杂性和应用范围方面都有自己的缺点。 近年来，作为迈向真正人工智能（AI）的重要一步，通常通过深度神经网络实现的深度学习在恢复阶段取得了前所未有的表现。

在《光科学与应用》上发表的一篇新综述论文中，来自香港大学、西北工业大学、香港中文大学、广东工业大学和麻省理工学院的科学家回顾了以下四种深度学习相位恢复的不同方法观点：

• 用于相位恢复的深度学习预处理：神经网络在相位恢复之前对强度测量进行一些预处理，例如超像素分辨率、降噪、3D 图像生成和自动对焦。

• 相位恢复处理过程中的深度学习：神经网络直接执行相位恢复或通过监督或无监督学习模式与物理模型或基于物理的算法一起参与相位恢复过程。

• 用于相位恢复的深度学习后处理：神经网络在相位恢复后执行后处理，例如降噪、分辨率提高、梯形校正和相位展开。

• 用于相位处理的深度学习：神经网络将恢复的相位用于特定应用，例如分割、分类和成像模型转换。

为了让读者更多地了解恢复阶段，他们还提供了实时更新资源（https://github.com/kqwang/phase-recovery）。

当深度学习应用于恢复阶段的各个流程时，不仅带来了前所未有的效果，同时也带来了一些不可预测的风险。 有些方法可能看起来相似，但存在难以发现的差异。 这些学者指出了一些类似方法之间的差异和联系，并就如何充分利用深度学习和分阶段恢复的物理模型提出了建议：

“需要注意的是，uPD（未经训练的物理驱动）方案缺乏许多凝聚图像作为前提，但每次推理都需要多次迭代；而 tPD（训练有素的物理驱动）方案仅通过通过一个经过训练的神经网络。”“一次，但需要大量的密集图像进行预训练。”

“G_F 它是向量常数，这意味着神经网络的输入与样本无关，因此神经网络不能像PD方法那样进行预训练。”他们在介绍之前《物理学》中的结构网络策略时说道。

“基于学习的深度神经网络具有巨大的潜力和效率，而传统的基于物理的方法更加可靠。因此，我们鼓励将物理模型与深度神经网络相结合，特别是对于那些对现实世界进行良好建模的人来说，而不是而不是让领先的深度神经网络将所有任务视为黑匣子。” 科学家建议。