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结合的单光子压缩成像方法具有成本低、灵敏度高的特点，但该方法使用传统压缩重建算法时重建时间长。基于深度学习的压缩重建网络不仅实现了快速重建，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。对此，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（RN）训练方法，使用含有泊松噪声的测量值仿真数据对神经网络进行训练，并搭建单光子压缩成像系统进行验证。实验结果表明，RN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，提出了一种用于单光子压缩成像的抗噪重建网络（RPN-net），该网络采用跨越式连接结构与阶段式训练方法，实验结果表明其重建性能优于现有的压缩重建网络。
- 单位
