对比不变的深度叠层衍射神经网络

arXiv cs.LG 论文
ptychography neural-networks deep-learning computational-imaging phase-retrieval x-ray-imaging

摘要

本文介绍了一种对比不变的深度叠层衍射神经网络，利用分解策略将学习到的物体纹理与测量缩放解耦，从而在不同光照条件下实现一致的图像重建。该方法在多个实验数据集上，与之前的PtychoPINN-torch基线相比，傅里叶误差最多降低了5倍。

arXiv:2608.02869v1 公告类型：新 摘要：叠层衍射神经网络在分布外泛化时存在缩放不一致的问题，限制了其在实际应用中的可行性。我们通过一种分解策略来解决这种缩放失配问题，该策略将学习到的物体纹理与测量缩放解耦，使得单个训练好的网络能够在不同光照条件下产生与测量一致的图像重建。这要求以实部和虚部单位预测学习到的物体，而不是使用标准的振幅和相位表示。我们还引入了一种合成物体采样策略，最大限度地减小了合成训练数据与实验目标之间的相位分布失配。这些改进在跨越多个光束线和设施的5个实验数据集上，与之前的PtychoPINN-torch基线相比，傅里叶误差最多降低了5倍。
查看原文
查看缓存全文

缓存时间: 2026/08/05 07:42 

# 对比不变的深度学习叠层衍射神经网络
Source: https://arxiv.org/html/2608.02869
S\. HenkeArgonne National Laboratory, Lemont, Illinois 60439, USAO\. HoidnSLAC National Accelerator Laboratory, Menlo Park, California 94025, USAH\. RuthArgonne National Laboratory, Lemont, Illinois 60439, USAJ\. DengArgonne National Laboratory, Lemont, Illinois 60439, USAA\. MehtaSLAC National Accelerator Laboratory, Menlo Park, California 94025, USAD\. ShapiroLawrence Berkeley National Laboratory, 1 Cyclotron Road, Berkeley, California 94720, USAA\. HexemerLawrence Berkeley National Laboratory, 1 Cyclotron Road, Berkeley, California 94720, USAN\. SchwarzArgonne National Laboratory, Lemont, Illinois 60439, USA

###### 摘要

叠层衍射神经网络在分布外泛化时存在缩放不一致问题，限制了其现实世界中的可行性。我们通过一种分解策略解决这种缩放不匹配，该策略将学习到的物体纹理与测量缩放解耦，使单个训练好的网络能够在不同照明条件下产生与测量一致的重建结果。这要求以实部和虚部单位预测学习到的物体，而非传统的振幅和相位表示。我们还引入了一种合成物体采样策略，该策略最小化合成训练数据与实验目标之间的相位分布不匹配。这些改进在涵盖多个光束线和设施的 5 组实验数据集上，相较之前的 PtychoPINN-torch 基线，傅里叶误差最多降低了 5 倍。

## 1 引言

叠层衍射是一种扫描相干衍射成像（CDI）技术，在同步辐射光源和 X 射线自由电子激光（XFEL）等光源设施中日益重要，这些设施中光源升级带来的更高光子通量持续提升可达到的空间分辨率。通过从重叠照明位置收集一系列衍射图样，叠层衍射借助计算算法克服相位恢复问题，仅从强度测量中重建被测物体和照明探针[7 (https://arxiv.org/html/2608.02869#bib.bib4),21 (https://arxiv.org/html/2608.02869#bib.bib3)]。该技术已在生物成像[12 (https://arxiv.org/html/2608.02869#bib.bib30)]、微电子计量[11 (https://arxiv.org/html/2608.02869#bib.bib31)] 和纳米结构材料表征[17 (https://arxiv.org/html/2608.02869#bib.bib33)] 等领域取得进展，其空间分辨率超越了传统基于透镜的光

相似文章

群等变Poincaré卷积网络

arXiv cs.LG

本文提出了等变Poincaré ResNets，将双曲几何与离散对称群相结合，通过将旋转特征视为对称而非不同的分层概念，提高了学习视觉表示的效率。

Staged Depth Training：PINNs的表征课程

arXiv cs.LG

本文介绍了Staged Depth Training（SDT），这是一种针对Physics-Informed Neural Networks（PINNs）的表征课程，通过显式学习和迁移隐藏表征来提高训练性能。