Ampio campo visivo e alta risoluzione sono entrambi desiderabili per le applicazioni di imaging, fornendo informazioni target multidimensionali e multiscala. Poiché il recente sviluppo dell'imaging di fase, il rilevamento su larga scala è stato ampiamente impiegato in una varietà di modalità di imaging, che estende ampiamente il prodotto larghezza di banda spaziale (SBP) dei sistemi ottici da milioni di scala a miliardi di scala. Una quantità così grande di dati rappresenta una grande sfida per l'elaborazione del recupero post fase (PR). Perciò, tecniche di PR su larga scala con bassa complessità computazionale e alta fedeltà sono di grande importanza per quelle applicazioni di imaging e percezione in varie dimensioni. Però, gli algoritmi di PR esistenti soffrono del compromesso tra bassa complessità computazionale, robustezza alla misurazione del rumore e forte generalizzazione, rendendoli inapplicabili per il recupero di fase generale su larga scala.

In un articolo di ricerca appena pubblicato in eLight , un team di scienziati, guidato dal professor Jun Zhang del Beijing Institute of Technology, La Cina ha sviluppato un'efficiente tecnica di recupero di fase su larga scala per realizzare immagini di fase in domini complessi ad alta fedeltà. Combinano l'algoritmo di ottimizzazione convenzionale con la tecnica di deep learning e realizzano una bassa complessità computazionale, robustezza alla misura del rumore e forte generalizzazione. Confrontano il metodo riportato con i metodi PR esistenti su tre modalità di imaging, compresa l'imaging di diffrazione coerente (CDI), immagine codificata del modello di diffrazione (CDP) e microscopia tticografica di Fourier (FPM).

I risultati confermano che rispetto all'algoritmo di proiezione alternata (AP), la tecnica riportata è robusta per misurare il rumore con un miglioramento fino a 17dB sul rapporto segnale-rumore. Rispetto agli algoritmi basati sull'ottimizzazione, il tempo di esecuzione è significativamente ridotto di più di un ordine di grandezza. Oltretutto, per la prima volta dimostrano il recupero di fase su scala ultra-larga a livello di 8K in un tempo di livello minuto.

La tecnica di PR segnalata si basa sul framework di ottimizzazione plug-and-play (PNP), ed estende l'efficiente strategia di proiezione alternata generalizzata (GAP) dallo spazio reale allo spazio non lineare. Questi scienziati riassumono i caratteri della loro tecnica:"Lo schema PNP-GAP a campo complesso assicura una forte generalizzazione della nostra tecnica su varie modalità di imaging, e supera le tecniche PNP convenzionali con meno variabili ausiliarie, minore complessità computazionale e convergenza più rapida."

"Sotto il quadro GAP, il problema del recupero di fase viene scomposto con due sottoproblemi. Abbiamo introdotto rispettivamente un risolutore a proiezione alternata e una rete neurale potenziante per risolvere i due sottoproblemi. Questi due solutori compensano le carenze reciproche, consentendo all'ottimizzazione di bypassare la scarsa generalizzazione dell'apprendimento profondo e la scarsa robustezza del rumore dell'AP.

"Traendo vantaggio dal framework di ottimizzazione flessibile, la nostra tecnica è in grado di introdurre in futuro i migliori risolutori per aggiornarsi. Oltretutto, è interessante studiare l'influenza dell'impiego di altri solutori che migliorano l'immagine come la rete neurale a super risoluzione, rete di sfocatura e rete di rimozione della distorsione. Questo può aprire nuove intuizioni per il recupero di fase con un'ulteriore qualità potenziata, " scrivono gli scienziati.