Res-U2Net: Untrained Deep Learning for Phase Retrieval and Image Reconstruction

传统的基于深度学习的图像重建方法需要大量的训练数据，这在实践中很难获取。未经训练的深度学习方法通过训练网络以反转图像形成过程的物理模型来克服这个限制。在这里，我们提出了一种新颖的未经训练的 Res-U2Net 模型用于相位恢复。我们使用提取的相位信息来确定物体表面的变化，并生成其三维结构的网格表示。我们使用 GDXRAY 数据集中的图像比较 Res-U2Net 相位恢复与 UNet 和 U2Net 的性能。

使用传统的深度学习图像重建方法需要大量的训练数据，这在实践中很难获得。本文提出了一种新的未经训练的Res-U2Net模型来进行相位恢复，并将提取的相位信息用于确定物体表面的变化并生成其3D结构的网格表示。

本文的关键思路是使用未经训练的Res-U2Net模型进行相位恢复，该模型通过反转图像形成过程的物理模型来工作。相比于当前的研究状态，这种方法不需要大量的训练数据，具有更强的实用性。

本文使用GDXRAY数据集对Res-U2Net相位恢复进行了比较，并与UNet和U2Net进行了性能比较。实验结果表明，Res-U2Net在相位恢复方面具有更好的性能。此外，本文的方法还可以生成物体的3D结构，这对于计算机视觉领域具有重要意义。

近期在这个领域中的相关研究包括： 1. Deep learning-based phase retrieval using transport of intensity equation with intensity attenuation correction 2. Deep learning-based phase retrieval for digital holography using transport of intensity equation 3. Phase retrieval using deep learning: a review