NeuPh: Прорив у високоточній реконструкції зображень за допомогою нейромереж
Глибинне навчання продовжує розширювати межі обчислювальної візуалізації, пропонуючи передові рішення для задач реконструкції зображень. Нещодавня інновація, розроблена дослідниками з Лабораторії обчислювальних систем Бостонського університету, представляє масштабовану та універсальну нейронну систему під назвою NeuPh (Neural Phase Retrieval), яка значно покращує відновлення зображень з високою роздільною здатністю з даних з низькою роздільною здатністю. Цей новий підхід поєднує передові нейронні мережі з глибоким розумінням фізичних об’єктів, даючи змогу створювати більш точні та надійні реконструкції зображень.
Традиційні методи реконструкції зображень зазвичай використовують дискретні піксельні представлення, що обмежує можливість захоплювати безперервні й багаторівневі структури реальних об’єктів. Ці обмеження особливо помітні в таких сферах, як біомедична візуалізація, де важливо отримувати деталізовані структури з високою роздільною здатністю. А обмежені дифракційною межею і шумом, традиційні методи часто не можуть забезпечити достатню деталізацію. NeuPh вирішує цю проблему, використовуючи моделі глибинного навчання для інтерпретації та відновлення безперервних характеристик об'єктів.
Основою NeuPh є двоетапна архітектура нейронної мережі. Спочатку використовується згорткова нейронна мережа (CNN), яка обробляє зображення з низькою роздільною здатністю, стискаючи їх у компактне латентне представлення. Це дозволяє системі ефективно працювати зі складними структурами без необхідності введення даних високої роздільної здатності.
Друга частина системи — це багатошаровий перцептрон (MLP), який відновлює високоточні фазові дані з цього латентного представлення. Це забезпечує більш детальну реконструкцію порівняно з традиційними методами, мінімізуючи такі артефакти, як шум і помилки розгортання фаз.
Однією з ключових переваг NeuPh є її здатність адаптуватися до різних наборів даних і умов експериментів. Система навчена як на змодельованих, так і на експериментальних даних, що забезпечує її гнучкість і високу продуктивність навіть за умов обмежених або недосконалих даних. Така здатність до узагальнення особливо важлива в реальних застосунках, де умови навчання часто значно відрізняються від робочих сценаріїв. NeuPh також здатна відновлювати зображення, що перевищують дифракційну межу вхідних даних, досягаючи "суперроздільності".
Безліч галузей, таких як біомедична візуалізація та матеріалознавство, можуть отримати вигоду від використання NeuPh. Завдяки цій системі можна отримувати зображення з високою роздільною здатністю з мінімальними артефактами, що відкриває нові горизонти для використання нейронних мереж в обчислювальній візуалізації.
Ви можете ознайомитись з більш детальною інформацією про дослідження у публікації SPIE Digital Library.