科研之友
微信
新浪微博
Facebook
分享链接
摘要
将光子计数技术与单像素成像技术结合的单光子压缩成像方法，具有成本低，超高灵敏度的特点，但采用传统压缩重建算法重建时间长。基于深度学习的压缩重建网络不仅避免了迭代运算耗时长的问题，实现了快速重建，而且可获得更好的重建质量。最近用于单像素成像的深度学习压缩重建网络主要基于光探测器工作在模拟方式，采用无噪声或带有加性高斯白噪声的系统仿真数据进行训练。而单光子压缩成像系统噪声主要来源于光强闪烁和光量子效应所引起的泊松噪声；考虑到正向模型越精确，仿真数据训练出的网络应用于实际系统就越有效。本文建立了单光子压缩成像系统噪声模型，提出了一种用于单光子压缩成像的抗噪声重建网络的训练方法（RN），并搭建单光子压缩成像系统进行验证。实验结果表明该训练方法能明显提高各种已有压缩重建网络的图像重建质量。在此基础上本文提出了一种用于单光子压缩成像的抗噪重建网络（RPN-net），实验结果表明其重建性能优于现有的压缩重建网络。
- 单位
