Advanced Photonics “成像、传感” 方向8篇高被引论文,篇篇精彩,快来围观! *高被引数据来自谷歌学术 本文首次将三维超分辨技术和光片显微技术结合,无需经过图像拼接即可获得大视野下(100 mm3)的高分辨图像,成像通量高达109体素每分钟。该方法的思想是通过获取具有多帧亚体素位移的低分辨图像,利用极大似然估计重建算法恢复出高分辨的三维图像。 本文展示了一种数据驱动方法,它不仅可以重建出无需任何先验知识的无噪声图像,还可以处理相位成像以及扩展景深和深度图的生成。与此同时,这种方法可以适用于不同的数字全息实验系统,因此在生物和工业等领域有着潜在的应用价值。 4、Noniterative spatially partially coherent diffractive imaging using pinhole array mask Advanced Photonics, 2019, 1(1): 016005 Xingyuan Lu, Yifeng Shao, Chengliang Zhao, et al. 本文介绍了一种非迭代的相位重建算法,此算法不仅不依赖于模式展开的方法,且在最快的情况下,拍摄两张光强图即可实时重建出待测样品的信息,随着照明光源相干度的逐渐降低,信息并不会发生紊乱。 5、Learning-based lensless imaging through optically thick scattering media Advanced Photonics, 2019, 1(3): 036002 Meng Lyu, Hao Wang, Guowei Li, et al. 本文针对卷积神经网络对通过强散射介质之后从散斑图中恢复物体时拟合能力不强等问题,提出了一种混合神经网络,成功实现了通过厚散射介质成像。 本文提出了一种新的方法,解决了在大尺度多重散射模型下三维空间内粒子的定位问题。通过调整离散化时二维薄片的厚度,该方法能够同时兼备模型的准确性和较低的计算复杂度,从而使得在大尺度下解决多重散射问题变得可行。 Advanced Photonics, 2019, 1(4): 046001 Jingxi Li, Deniz Mengu, Yi Luo, et al. 本文充分利用了光学计算的并行特征,极大地提高了光学神经网络分类的精确度,进一步缩小了光学神经网络与先进卷积神经网络之间的差距。 点击查看 Advanced Photonics 最新文章列表 End |
|