Breed gezichtsveld en hoge resolutie zijn beide wenselijk voor beeldverwerkingstoepassingen, het verstrekken van multidimensionale en multi-schaal doelinformatie. Zoals de recente ontwikkeling van fasebeeldvorming, grootschalige detectie is op grote schaal gebruikt in een verscheidenheid aan beeldvormende modaliteiten, die het ruimtelijke-bandbreedteproduct (SBP) van optische systemen grotendeels uitbreidt van miljoenschaal naar miljardschaal. Zo'n grote hoeveelheid gegevens vormt een grote uitdaging voor de verwerking van post phase retrieval (PR). Daarom, grootschalige PR-techniek met een lage computationele complexiteit en hoge betrouwbaarheid zijn van groot belang voor die beeldvormings- en perceptietoepassingen in verschillende dimensies. Echter, de bestaande PR-algoritmen lijden onder de wisselwerking tussen lage rekencomplexiteit, robuustheid tegen meetruis en sterke generalisatie, waardoor ze niet toepasbaar zijn voor algemene grootschalige fase-opvraging.

In een nieuw gepubliceerd onderzoeksartikel in eLight , een team van wetenschappers, onder leiding van professor Jun Zhang van het Beijing Institute of Technology, China heeft een efficiënte grootschalige fase-ophaaltechniek ontwikkeld voor het realiseren van high-fidelity complexe-domein fasebeeldvorming. Ze combineren het conventionele optimalisatie-algoritme met de deep learning-techniek en realiseren een lage rekencomplexiteit, robuustheid tegen meetruis en sterke generalisatie. Ze vergelijken de gerapporteerde methode met de bestaande PR-methoden op drie beeldvormende modaliteiten, inclusief coherente diffractiebeeldvorming (CDI), gecodeerde diffractiepatroonbeeldvorming (CDP) en Fourier ptychografische microscopie (FPM).

De resultaten bevestigen dat in vergelijking met het alternerende projectie (AP) algoritme, de gerapporteerde techniek is robuust voor het meten van ruis met maar liefst 17 dB verbetering van de signaal-ruisverhouding. Vergeleken met de op optimalisatie gebaseerde algoritmen, de looptijd wordt aanzienlijk verminderd met meer dan één orde van grootte. Daarnaast, ze demonstreren voor het eerst ultragrootschalige faseterugwinning op het 8K-niveau in tijd op minuutniveau.

De gerapporteerde PR-techniek bouwt voort op het plug-and-play (PNP) optimalisatieraamwerk, en breidt de efficiënte GAP-strategie (generalized-alternating-projection) uit van de reële ruimte naar de niet-lineaire ruimte. Deze wetenschappers vatten de kenmerken van hun techniek samen:"Het complexe-veld PNP-GAP-schema zorgt voor een sterke generalisatie van onze techniek op verschillende beeldvormende modaliteiten, en presteert beter dan de conventionele PNP-technieken met minder hulpvariabelen, lagere computationele complexiteit en snellere convergentie."

"Onder het GAP-kader, het fase-ophaalprobleem wordt ontleed met twee deelproblemen. We hebben respectievelijk een alternerende projectieoplosser en een versterkend neuraal netwerk geïntroduceerd om de twee subproblemen op te lossen. Deze twee oplossers compenseren elkaars tekortkomingen, waardoor de optimalisatie de slechte generalisatie van deep learning en de slechte ruisrobuustheid van AP kan omzeilen.

"Profiterend van het flexibele optimalisatiekader, onze techniek is in staat om in de toekomst de beste oplossers te introduceren om zichzelf bij te werken. Daarnaast, het is interessant om de invloed te onderzoeken van het gebruik van andere beeldverbeterende oplossers zoals neuraal netwerk met superresolutie, vervagingsnetwerk en vervormingsverwijderingsnetwerk. Dit kan nieuwe inzichten opleveren voor het ophalen van fasen met een verdere verbetering van de kwaliteit, ’ schrijven de wetenschappers.