基于深度学习的低光子计数相位恢复

摘要： 成像系统在低光强下的性能会受到散粒噪声的影响，这种噪声会随着光源功率的降低而不断增强。在本信函中，我们通过实验展示了利用深度神经网络恢复弱光照射物体的方法，并证明其在等效信噪比条件下优于传统的Gerchberg-Saxton相位恢复算法。深度神经网络能够利用训练图像集中包含的先验信息来检测信噪比接近1的特征。我们将这一原理应用于相位恢复问题，结果表明：当照明光束中每个探测器像素平均仅接收一个光子时，仍能成功恢复物体最显著的特征。我们还发现，与使用原始强度测量值进行训练相比，通过使用物体的初始估计值来训练神经网络可以显著提升相位重建效果。