التعلم العميق من أجل التفكيك السريع المتغير مكانياً

يمكن استخدام التفكيك للحصول على صور أو كتل واضحة من قياسات ضبابية أو مشفرة في أنظمة التصوير. نظرًا لمعرفتنا بدالة انتشار النقطة (PSF) للنظام عبر مجال الرؤية، يمكن استخدام خوارزمية إعادة البناء لاستعادة صورة أو كتلة واضحة. تفترض معظم خوارزميات التفكيك عدم الانزياح؛ ومع ذلك، في الأنظمة الواقعية، يتغير PSF جانبياً ومحورياً عبر مجال الرؤية بسبب التشوهات أو التصميم. يمكن استخدام نماذج متغيرة الانزياح، لكنها غالبًا ما تكون بطيئة ومرهقة حسابياً. في هذا العمل، نقترح نهجاً معتمداً على التعلم العميق يستفيد من المعرفة حول PSFs المتغيرة مكانياً للنظام من أجل إعادة بناء سريعة ثنائية وثلاثية الأبعاد. نهجنا، الذي يُسمى MultiWienerNet، يستخدم مصفوفات وينر القابلة للاشتقاق متعددة المرتبطة بشبكة عصبية تلافيفية لدمج التغير المكاني. تم تدريبه باستخدام بيانات محاكاة وجرى اختباره على بيانات تجريبية، ويوفر نهجنا زيادة في السرعة تتراوح بين 625 و 1600 × مقارنة بالطرق التكرارية مع نموذج متغير مكانياً، ويتفوق على الطرق الموجودة المعتمدة على التعلم العميق التي تفترض ثبات الانزياح.