Key points are not available for this paper at this time.
تستخدم معظم الشبكات العصبية المقترحة حتى الآن للتصوير الحسابي (CI) في البصريات استراتيجية تدريب مُراقب، وبالتالي تحتاج إلى مجموعة تدريب كبيرة لتحسين أوزانها وانحرافاتها. بعيدًا عن متطلبات استقرار البيئة والنظام خلال ساعات عديدة من جمع البيانات، في العديد من التطبيقات العملية، من غير المحتمل أن يكون من الممكن الحصول على أعداد كافية من الصور الحقيقية للتدريب. هنا، نقترح التغلب على هذه القيود من خلال دمج نموذج فيزيائي كامل يمثل عملية تكوين الصورة داخل شبكة عصبية عميقة تقليدية. الميزة الأكثر أهمية لشبكة العصبية العميقة المعززة بالفيزياء (PhysenNet) هي أنه يمكن استخدامها دون الحاجة للتدريب مسبقًا، مما يلغي الحاجة إلى عشرات الآلاف من بيانات التصنيف. نأخذ تصوير الطور باستخدام شعاع مفرد كمثال للتوضيح. نوضح تجريبيًا أنه يكفي إمداد PhysenNet بنمط تشتت مفرد لكائن ذو طور، ويمكنه تلقائيًا تحسين الشبكة وإنتاج طور الكائن في النهاية من خلال التفاعل بين الشبكة العصبية والنموذج الفيزيائي. وهذا يفتح آفاقًا جديدة في تصميم الشبكات العصبية، حيث يمكن تعميم مفهوم دمج نموذج فيزيائي داخل شبكة عصبية لحل العديد من مشاكل التصوير الحسابي الأخرى.
درس وانغ وآخرون (الأربعاء) هذا السؤال.