SwePub
Sök i LIBRIS databas

  Utökad sökning

WFRF:(Zhang Yuhe)
 

Sökning: WFRF:(Zhang Yuhe) > PhaseGAN : a deep-l...

PhaseGAN : a deep-learning phase-retrieval approach for unpaired datasets

Zhang, Yuhe (författare)
Lund University,Lunds universitet,NanoLund: Centre for Nanoscience,Annan verksamhet, LTH,Lunds Tekniska Högskola,Synkrotronljusfysik,Fysiska institutionen,Institutioner vid LTH,Other operations, LTH,Faculty of Engineering, LTH,Synchrotron Radiation Research,Department of Physics,Departments at LTH,Faculty of Engineering, LTH
Noack, Mike Andreas (författare)
Technical University of Berlin
Vagovic, Patrik (författare)
German Electron Synchrotron (DESY)
visa fler...
Fezzaa, Kamel (författare)
Argonne National Laboratory
Garcia-Moreno, Francisco (författare)
Helmholtz-Zentrum Berlin für Materialien und Energie GmbH
Ritschel, Tobias (författare)
University College London
Villanueva-Perez, Pablo (författare)
Lund University,Lunds universitet,NanoLund: Centre for Nanoscience,Annan verksamhet, LTH,Lunds Tekniska Högskola,Synkrotronljusfysik,Fysiska institutionen,Institutioner vid LTH,Other operations, LTH,Faculty of Engineering, LTH,Synchrotron Radiation Research,Department of Physics,Departments at LTH,Faculty of Engineering, LTH
visa färre...
 (creator_code:org_t)
2021
2021
Engelska 12 s.
Ingår i: Optics Express. - 1094-4087. ; 29:13, s. 19593-19604
  • Tidskriftsartikel (refereegranskat)
Abstract Ämnesord
Stäng  
  • Phase retrieval approaches based on deep learning (DL) provide a framework to obtain phase information from an intensity hologram or diffraction pattern in a robust manner and in real-time. However, current DL architectures applied to the phase problem rely on i) paired datasets, i. e., they are only applicable when a satisfactory solution of the phase problem has been found, and ii) the fact that most of them ignore the physics of the imaging process. Here, we present PhaseGAN, a new DL approach based on Generative Adversarial Networks, which allows the use of unpaired datasets and includes the physics of image formation. The performance of our approach is enhanced by including the image formation physics and a novel Fourier loss function, providing phase reconstructions when conventional phase retrieval algorithms fail, such as ultra-fast experiments. Thus, PhaseGAN offers the opportunity to address the phase problem in real-time when no phase reconstructions but good simulations or data from other experiments are available.

Ämnesord

NATURVETENSKAP  -- Data- och informationsvetenskap -- Datorseende och robotik (hsv//swe)
NATURAL SCIENCES  -- Computer and Information Sciences -- Computer Vision and Robotics (hsv//eng)

Publikations- och innehållstyp

art (ämneskategori)
ref (ämneskategori)

Hitta via bibliotek

Till lärosätets databas

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy