Un large champ de vision et une haute résolution sont tous deux souhaitables pour les applications d'imagerie, fournir des informations cibles multidimensionnelles et multi-échelles. Comme le développement récent de l'imagerie de phase, la détection à grande échelle a été largement utilisée dans une variété de modalités d'imagerie, qui étend largement le produit de bande passante spatiale (SBP) des systèmes optiques de l'échelle du million à l'échelle du milliard. Une telle quantité de données pose un grand défi pour le traitement de récupération post-phase (PR). Par conséquent, Les techniques de RP à grande échelle avec une faible complexité de calcul et une haute fidélité sont d'une grande importance pour les applications d'imagerie et de perception dans diverses dimensions. Cependant, les algorithmes PR existants souffrent du compromis entre une faible complexité de calcul, robustesse au bruit de mesure et forte généralisation, ce qui les rend inapplicables pour la récupération de phase générale à grande échelle.

Dans un article de recherche récemment publié dans eLight , une équipe de scientifiques, dirigé par le professeur Jun Zhang de l'Institut de technologie de Pékin, La Chine a développé une technique efficace de récupération de phase à grande échelle pour réaliser une imagerie de phase à domaine complexe de haute fidélité. Ils combinent l'algorithme d'optimisation conventionnel avec la technique d'apprentissage en profondeur et réalisent une faible complexité de calcul, robustesse au bruit de mesure et forte généralisation. Ils comparent la méthode rapportée avec les méthodes PR existantes sur trois modalités d'imagerie, y compris l'imagerie par diffraction cohérente (CDI), Imagerie à diagramme de diffraction codée (CDP) et microscopie ptychographique de Fourier (FPM).

Les résultats confirment que par rapport à l'algorithme de projection alternée (AP), la technique rapportée est robuste à la mesure du bruit avec une amélioration allant jusqu'à 17 dB sur le rapport signal sur bruit. Par rapport aux algorithmes basés sur l'optimisation, le temps de fonctionnement est considérablement réduit de plus d'un ordre de grandeur. Outre, ils démontrent pour la première fois une récupération de phase à très grande échelle au niveau 8K en une minute.

La technique de relations publiques rapportée s'appuie sur le cadre d'optimisation plug-and-play (PNP), et étend la stratégie efficace de projection alternée généralisée (GAP) de l'espace réel à l'espace non linéaire. Ces scientifiques résument les caractères de leur technique :« Le schéma PNP-GAP à champ complexe assure une forte généralisation de notre technique sur diverses modalités d'imagerie, et surpasse les techniques PNP conventionnelles avec moins de variables auxiliaires, une complexité de calcul moindre et une convergence plus rapide."

« Dans le cadre du GAP, le problème de récupération de phase est décomposé en deux sous-problèmes. Nous avons introduit un solveur de projection alternée et un réseau de neurones améliorant respectivement pour résoudre les deux sous-problèmes. Ces deux solveurs compensent les défauts l'un de l'autre, permettant à l'optimisation de contourner la mauvaise généralisation de l'apprentissage en profondeur et la mauvaise robustesse au bruit de l'AP.

"Bénéficiant du cadre d'optimisation flexible, notre technique est capable d'introduire les meilleurs solveurs à l'avenir pour se mettre à jour. Outre, il est intéressant d'étudier l'influence de l'utilisation d'autres solveurs d'amélioration d'image tels que le réseau de neurones à super-résolution, réseau de débrouillage et réseau de suppression de distorsion. Cela peut ouvrir de nouvelles perspectives pour la récupération de phase avec une qualité encore améliorée, " écrivent les scientifiques.