本論文では、深層学習を用いた位相回復の2つの主要な戦略、データ駆動型(DD)と物理駆動型(PD)について比較検討を行っている。
DD戦略は、位相と強度の対応関係をペアデータセットから学習する監督学習モードを採用する。一方、PD戦略は物理モデルを活用した自己教師学習モードを採用する。
比較の結果、以下のことが明らかになった:
時間消費と精度: uPDとtPDrが最も高精度だが推論に時間がかかる。tPDは高周波情報を、DDは低周波情報を良く学習する。
一般化能力: 学習データセットの密度が高いほど、一般化性能が高い。tPDはDDよりも疎なデータセットに対して優れる。
ill-posedness適応性: DDは位相と振幅を同時に推定できるが、tPDは ill-posedな問題に弱い。aperture制約や複数ホログラムの利用でtPDの性能を改善できる。
事前知識容量: DDはデータセットに含まれる暗黙的な事前知識を学習できるが、PDは数値伝搬に含まれる事前知識しか学習できない。
最後に、高周波情報と低周波情報のバランスを取るためのデータ駆動と物理駆動の組み合わせ戦略(CD)を提案している。
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問