Predicting ptychography probe positions using single-shot phase retrieval neural network

Ptychography是一种强大的成像技术，被广泛应用于材料科学、生物学和纳米技术等领域。然而，重建的Ptychography图像的准确性高度依赖于记录的探针位置的准确性，而这些位置通常存在误差。这些误差通常通过数值优化方法与相位恢复一起进行校正。当误差沿着扫描路径累积或误差量很大时，这些方法可能无法收敛到令人满意的结果。我们提出了一种基于神经网络的全新的Ptychography探针位置预测方法，适用于具有大位置误差数据的情况。该方法使用神经网络对每个衍射图案进行单次相位恢复，得到每个扫描点的物体图像。然后，使用鲁棒的图像配准方法找到这些图像之间的成对偏移，并通过构建和解决线性方程组合并结果，得到完整的扫描路径。我们展示了我们的方法可以在像素级别误差为$10^2$的大误差数据上实现良好的位置预测精度，这个数量级通常使基于优化的算法无法收敛。对于没有复杂位置控制设备（如干涉仪）的Ptychography仪器，我们的方法具有重要的实用潜力。

本论文试图解决ptychography成像技术中探针位置误差对成像精度的影响问题，提出了一种基于神经网络的新方法来预测探针位置。

论文的关键思路是使用神经网络对单个衍射图案进行单次相位恢复，然后使用鲁棒的图像配准方法找到这些图像之间的配对偏移量，并通过构建和解决线性方程组来合并结果，以获得完整的扫描路径。相比于当前优化算法，该方法能够在探针位置误差较大的情况下取得良好的预测精度。

论文的亮点包括使用神经网络进行单次相位恢复，提出了一种新的方法来预测探针位置，能够在探针位置误差较大的情况下取得良好的预测精度。实验结果表明该方法在没有干涉仪等先进设备的情况下具有重要的实际应用价值。论文使用了多个数据集进行验证，并且开源了相关代码。

最近的相关研究包括使用机器学习方法进行ptychography成像、探究探针位置误差对成像精度的影响等。其中相关论文包括：'Deep Learning for High-Resolution Imaging via Matrix Completion', 'Ptychography with a high-accuracy scanning probe instrument', 'Robust ptychographic phase retrieval: Stability, noise robustness, and error analysis'等。