TurbFPNet: neuronale turbulente Fourier-Ptychografie mit einer Kameragruppe

Obwohl Phasenretrieval-Techniken die makroskopische Fourier-Ptychografie (FP) zur Steigerung der räumlichen Auflösung befähigen, benötigen solche iterativen Methoden unverzichtbare Datenredundanz und sind zeitaufwendig für die Bildaufnahme und -rekonstruktion. Sie haben zudem eine Neigung zur schlecht gestellten Problematik, da die Entangleierung von Pixelverschiebung, Unschärfe und Rauschen beim Erhöhen der Abbildungsdistanz auftritt. Diese Arbeit schlägt ein turbulentes Fourier-Ptychografienetzwerk (TurbFPNet) vor, ein physikbasiertes neuronales Framework, das entwickelt wurde, um diese Herausforderungen zu bewältigen. Im Gegensatz zu kürzlich vorgeschlagenen Methoden untersuchen wir implizite neuronale Repräsentationen mit optischen Verarbeitungsschritten, die als Fourier-Ptychografie-Phasen-zu-Raum (FP-P2S)-Transformation für die Datensynthese basierend auf einem echten kohärenten Abbildungssystem bezeichnet wird, wobei echte Teilblendenbilder von einer aufgebauten Kameragruppe erfasst werden, um die Knappheit an Trainings- und Testdaten mit Turbulenz zu mildern. Darüber hinaus präsentieren wir einen Pyramid Residual Transformer, um sowohl grob- als auch feinmaschige Merkmale zu extrahieren, indem wir die Vorteile von konvolutionalen neuronalen Netzwerken und Transformatoren nutzen. Wir führen weiter den FP-Rekonstruktionsverlust ein, um eine gewünschte zugrunde liegende Zuordnung zu erhalten, indem wir das Beste aus unserem FP-P2S machen, um zusätzliche Teilblendenbilder zu erzeugen. Experimentelle Ergebnisse zeigen, dass unser TurbFPNet die jüngsten Benchmarks in der Leistung übertrifft. Diese Studie behandelt die Herausforderungen, einschließlich Turbulenz, negatives Überlappungsverhältnis und Speckle, gemeinsam für die Einzelaufnahme von Fernfeld-FP-Abbildungen, wodurch die makroskopische FP in Fernfeldszenarien anwendbarer wird.