Harnessing Data and Physics for Deep Learning Phase Recovery

相位恢复是从光强度测量中计算光波相位的关键技术，对于相干衍射成像、自适应光学和生物医学成像等多种应用至关重要。它能够重建物体的折射率分布或拓扑结构，并校正成像系统的像差。近年来，深度学习已被证明在解决相位恢复问题方面非常有效。目前主要有两种深度学习相位恢复策略：基于数据驱动的（DD）和基于物理驱动的（PD），分别采用有监督学习和自监督学习模式。DD和PD以不同的方式实现了相同的目标，但缺乏必要的研究以揭示它们之间的相似性和差异性。因此，在本文中，我们从时间消耗、准确性、泛化能力、适应不适定性和先验容量等方面全面比较了这两种深度学习相位恢复策略。此外，我们提出了一种联合数据集和物理学的共同驱动策略（CD），以平衡高频和低频信息。DD、PD和CD的代码可在https://github.com/kqwang/DLPR上公开获取。

比较数据驱动和物理驱动的深度学习相位恢复策略，提出了一种结合数据集和物理的策略

比较了数据驱动和物理驱动的深度学习相位恢复策略在时间消耗、准确性、泛化能力、病态适应性和先验容量等方面的异同，并提出了一种结合数据集和物理的策略

研究表明深度学习在相位恢复问题上取得了很好的效果，提出的CD策略在高低频信息平衡方面有优势，代码公开可用

最近的相关研究包括： 'Deep Learning for Phase Retrieval: A Review'，'Phase Retrieval via Gradient Descent with Momentum: Algorithm and Theory'，'Phase Retrieval with Deep Priors'等