低光相位恢复与深层图像先验
内容提要
该文综述深度学习在相位恢复中的应用，涵盖预处理、处理和后处理阶段及相位图像处理，介绍prDeep、DIP、RED、PRUNe等算法，结合物理知识与神经网络提升噪声鲁棒性、泛化能力和重建质量，实现低光强下快速准确成像，并展望提高可靠性与效率的方向。
延伸解读
低光强下的相位恢复挑战
在干涉成像中，低光强条件（如少于1个光子/像素）会导致严重的相位噪声，传统算法难以准确恢复相位。文章指出，PRUNe模型通过3D-2D U-Net结构处理噪声和随机相移的干涉图，在低光强和高光强下均将均方误差降低2.5-4倍，为极低光强成像提供了更快速准确的方案。
无监督与物理知识融合的趋势
文章综述了多种结合物理知识与神经网络的方法，如prDeep利用CNN去噪器增强鲁棒性，非监督物理知识神经网络通过衍射正演映射与重叠测量约束提高重构速度和质量。这些方法减少了对大量训练数据的依赖，同时提升了泛化能力和重建质量，代表了相位恢复领域的重要方向。
深度图像先验的演进与优化
深度图像先验（DIP）在相位恢复中展现出无需训练数据的优势。文章提到通过分析DIP训练动态，引入参考图像和去噪正则化项的自引导重建方法，在磁共振图像重建中超越传统DIP和监督方法。此外，DIP与RED结合形成了高效的无监督反问题恢复流程，为相位恢复提供了新思路。
未来方向：可靠性与效率
文章展望了如何更好地利用深度学习提高相位恢复的可靠性和效率。当前研究在噪声鲁棒性、泛化能力和重建质量上已取得进展，但如何进一步降低计算成本、适应更多模态，并量化重建不确定性（如通过未训练深度生成模型估计后验分布），仍是值得关注的方向。
Q&A
深度学习在相位恢复中主要应用在哪些阶段？
深度学习在相位恢复中主要应用于预处理、处理和后处理三个阶段，以及相位图像处理。
prDeep算法有什么特点和优势？
prDeep是一种相位恢复算法，利用正则化去噪框架和卷积神经网络去噪器，具有鲁棒性，广泛适用于各种系统模型，能够应对噪声并处理多种系统模型。
PRUNe模型在低光强相位恢复中的表现如何？
PRUNe模型在低光强（<1个光子/像素）和高光强（~100个光子/像素）信噪比的干涉图像上，均表现出比现有算法更低2.5-4倍的均方误差，能更准确、平滑地恢复相位图像，为极低光强干涉成像提供了更快速和准确的方法。
深度图像先验（DIP）在图像重建中有什么作用？
DIP是一种将深度学习与反问题相结合的方法，通过分析其训练动态，揭示了从欠采样图像测量中恢复信息的属性。结合参考图像和新颖的去噪正则化项，自引导重建方法消除了训练数据需求，在磁共振图像重建和图像修补中优于传统DIP和现代监督方法。
如何量化相位恢复中的重建不确定性？
可以利用未经训练的深度生成模型估计未观察图像的后验分布，从而量化重建不确定性。这种方法不需要训练数据，而是优化神经网络的权重以生成适合特定测量数据集的图像样本，已在干涉射电成像和压缩感知磁共振成像等领域得到实证结果。
深度学习如何提高相位恢复的可靠性和效率？
深度学习通过结合物理知识与神经网络，提升噪声鲁棒性、泛化能力和重建质量，实现低光强下快速准确成像。具体方法包括使用正则化去噪框架、卷积神经网络去噪器、非监督物理知识神经网络等，并在预处理、处理和后处理阶段优化，从而提高可靠性和效率。
