Bayesian multi-exposure image fusion for robust high dynamic range ptychography

探测器有限的动态范围可能会阻碍相干衍射成像（CDI）方案实现衍射极限分辨率。为了克服这一限制，一种直接的方法是通过多曝光图像融合（MEF）利用高动态范围（HDR）成像。该方法涉及在不同曝光时间下进行测量，从欠曝光到过曝光，并将它们融合成一幅HDR图像。ptychography中传统的MEF技术通常涉及减去背景噪声，忽略饱和像素，然后合并获取的数据。然而，在低信噪比（SNR）条件下，这种方法不足。此外，照明强度的变化显著影响相位恢复过程。为了解决这些问题，我们提出了一种基于修正泊松分布的贝叶斯MEF建模方法，该方法考虑了背景和饱和度。采用期望最大化（EM）算法来推断模型参数。通过合成和实验数据的演示，我们的方法优于传统的MEF方法，在具有挑战性的实验条件下提供了更好的相位恢复。这项工作强调了ptychography中鲁棒的多曝光图像融合的重要性，特别是在成像受到射线噪声支配的弱散射标本或访问具有高SNR的HDR探测器受限的情况下。此外，贝叶斯MEF方法的适用性超出了CDI，适用于任何需要HDR处理的成像方案。鉴于这种多功能性，我们提供了我们的算法实现作为Python软件包。

本论文旨在解决相干衍射成像（CDI）中探测器有限动态范围的问题，通过提出一种基于贝叶斯多曝光图像融合（MEF）建模的方法来实现高动态范围成像。

论文提出了一种基于贝叶斯多曝光图像融合的方法，该方法考虑了背景和饱和度，并通过期望最大化算法来推断模型参数，以实现更好的相位恢复。相比传统的MEF方法，该方法在低信噪比条件下表现更好，适用于成像弱散射样品或无法使用高信噪比HDR探测器的情况。

论文提供了Python包的实现，实验结果表明该方法在挑战性实验条件下表现优异。值得深入研究的是，该方法不仅适用于CDI，还可扩展到任何需要HDR处理的成像方案。

相关研究包括多曝光图像融合方法的研究，以及相干成像和相位恢复的研究。