详细内容或原文请订阅后点击阅览
NeuPh：利用神经网络实现高分辨率图像重建的突破
神经相位检索由波士顿大学的研究人员开发，利用深度学习技术增强从低分辨率数据重建高分辨率图像的能力。新的神经框架 NeuPh 已经成功超越了传统方法。
来源:Noneneuph：通过神经网络重建高分辨率图像的突破
深度学习继续推动计算成像的界限，为图像重建中的挑战提供了高级解决方案。由波士顿大学计算成像系统实验室的研究人员开发的最新创新提供了一种可扩展且可推广的神经框架，称为Neuph（神经相检索），该框架显着增强了从低分辨率数据中重建高分辨率图像的重建。这种新颖的方法将先进的神经网络与对物理对象结构的深入了解相结合，从而可以更准确，可靠的图像重建。
从历史上看，图像重建方法依赖于离散的像素表示，限制了捕获现实对象的连续和多尺度的能力。这些局限性在诸如生物医学成像之类的领域尤为明显，在生物医学成像中，在高分辨率下捕获复杂的结构至关重要。传统方法受衍射极限和噪声的约束，通常很难提供足够的细节。 NEUPH通过利用可以从嘈杂，低分辨率输入来解释和重建连续对象特征的深度学习模型来解决这一问题。
NEUPH的核心是两阶段的神经网络体系结构。该系统首先采用卷积神经网络（CNN）编码器，该编码器处理低分辨率图像，将其压缩到有效表示关键信息的潜在空间中。该潜在空间允许系统处理复杂的结构，而无需完整的高分辨率数据输入。
在SPIE数字图书馆的出版物中探讨了更多的研究细节。
SPIE数字图书馆