Die computergestützte Bildgebung (CI) nutzt die gemeinsame Optimierung von optischem Systemdesign und Rekonstruktionsalgorithmen, um eine überlegene Leistung in Bezug auf Dimensionierung, Auflösung, Effizienz und Komplexität der Hardware zu ermöglichen. Sie hat in der medizinischen Diagnostik und Astronomie sowie in anderen Bereichen weit verbreitete Anwendungen gefunden. In letzter Zeit hat das Deep Learning (DL das Paradigma der CI verändert, indem es erlernte Priorinformationen aus Daten durch trainierte neuronale Netzwerkmodelle nutzt. Allerdings stehen weit verbreitete datengestützte DL-basierte CI-Methoden vor Herausforderungen im Zusammenhang mit der Beschaffung von Trainingsdaten, den Berechnungsanforderungen, der Verallgemeinerung und der Interpretierbarkeit. Jüngste Studien haben gezeigt, dass die Integration der physikalischen Priorinformationen des CI-Systems in verschiedene Komponenten von DL-Pipelines (einschließlich Trainingsdaten, Netzwerkdesign und Verlustfunktionen) vielversprechend ist, um diese Herausforderungen zu lindern. Um den Lesern ein besseres Verständnis des aktuellen Forschungsstands und der Ideen zu vermitteln, präsentieren wir einen Überblick über den Stand der Technik in der DL-basierten CI. Wir beginnen mit einer kurzen Einführung in die Konzepte der CI und DL, gefolgt von einer umfassenden Überprüfung, wie DL inverse Probleme in der CI löst. Besonders konzentrieren wir uns auf die aufkommenden physikverstärkten Ansätze. Wir heben die Perspektiven zukünftiger Forschungsrichtungen und den Transfer in reale Anwendungen hervor.
Wang et al. (Mittwoch) haben diese Frage untersucht.