基于深度学习的鬼成像算法研究

作     者：胡峥 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：朱虎

授予年度：2022年

学科分类：12[管理学] 07[理学] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 070207[理学-光学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0803[工学-光学工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0702[理学-物理学] 

主      题：鬼成像技术 图像处理 深度神经网络 计算机视觉 

摘      要：鬼成像技术是一种通过测量参考光场与探测光场之间的关联函数从而获取目标图像信息的新型成像技术。它是一种不同于传统光学成像的成像方式,由于其通过测量光束之间的空间相关性进行成像的特点,所以在遥感成像、超分辨率成像等多个领域都扮演重要的角色。但鬼成像技术也由于其自身的特点,需要大量的采样来重建高质量的图像。近年来,深度学习鬼成像成为图像处理领域的热点研究课题。但是现有的方法在面对低采样率下的鬼成像图像重建任务时,重建效果和重建速度依旧不尽人意,尤其是光学设备较差、数据量较少的场景。因此,本文立足于深度学习鬼成像,针对提高低采样率下的鬼成像图像的成像质量进行深入研究,具体如下:（1）从捕获局部到全局之间的关联信息和利用上下文更好地进行信息建模角度出发,本文提出一种基于闭环子空间映射的多层级网络鬼成像重建方法。本方法提出并引入基于子空间映射的闭环模块,利用监督学习使整体网络快速稳定,并不断利用图像的深层特征进而学习全局相关性。此外,本方法使用多层级聚合进行特征融合,结合浅层特征和深层特征,借助层级连接,充分利用上下文信息,逐步优化重建图像。大量的实验结果证明,与目前较为领先的深度学习鬼成像重建方法相比,该方法在低采样率下,能较好完成鬼成像重建任务,重建结果可辨识,结构完整,背景噪声较少。（2）在极低采样率下,上述方法的重建效果并不完美,因此提出一种基于多层级聚合网络的鬼成像重建扩散概率模型。该方法首次将扩散概率模型应用在鬼成像领域,并在正向过程以及反向扩散过程的联合学习过程中充分利用监督学习:在正向过程中,利用层级感知损失,增强模型对感知特征的学习能力;在反向过程中借助分类器更好地恢复背景,提高重建图像的质量。大量的实验结果证明,在极低采样率下,面对简单目标或者复杂物体,本模型都有着更为突出的鬼成像图像重建效果。重建图像内外纹理结构清晰且与原始图像较为接近,并且该模型具有一定泛化性,适用于更多的实时应用场景。