讀文獻總結3
阿新 • • 發佈:2021-11-13
文獻:Yang-2020-Deep-learning projector for optical diffraction tomography 1、文章的目的:區別於傳統的最小化目標函式正則化執行先驗約束,採用在梯度下降演算法中訓練卷積神經網路(CNN)基於正則化作為投影儀。 2、背景: 經典的傳統方法及缺點:Rytov 近似 在弱散射條件下有效,但對於具有高 RI 對比度、大半徑或複雜結構的樣品精度較低。 基於學習的重建方法:訓練卷積神經網路 (CNN)以將通常通過經典方法獲得的初重建對映到最終所需的結果。 3、修改傳統的迭代演算法,使網路扮演正則化器的角色 4、網路架構:探索了基於 PGD 的迭代方案,設計了一個基於 U-Net 架構的 CNN。該設定包括輸入和輸出之間的外部跳過連線,以便網路充當殘差網路。此外,每次網路深度增加時,我們將編碼器中的通道數量(左路徑)加倍(從 32 開始,。我們也更換了(3*3)上轉換層(2*2)轉置卷積層,並在最後一個卷積層之後新增一個 Leakly 整流線性單元。 5、實驗的步驟: 在第一階段,我們僅使用輸入資料集。 在第二階段,我們連線資料集並使用整合了兩部分的總損失訓練 CNN。 在第三階段,整個資料集被輸入到優化中。 6、實驗的結果評估:某些情況下直接 CNN 和 ScaDec 都無法恢復物件。此方法導致重建具有更準確的形狀和 RI 值,因為它結合了一個反饋機制,確保與測量的一致性。此外,它的效能略好於 RytovTV,減輕錐體缺失問題