UPSU‑Net：用于光声光谱解混的无监督深度学习框架
摘要
提出一种基于深度学习的无监督光声光谱解混方法，利用三维卷积自编码器结合注意力机制，捕捉图像的空间信息以及不同波长数量之间的关系，在无需先验吸收光谱数据的前提下，将混合光谱分离成各个独立物质的光谱，进而实现物质的准确识别和定量分析。采用仿真数据集训练网络，并采用仿真、仿体和在体数据测试网络性能。实验结果表明：与顶点分量分析和独立成分分析两种传统方法相比，所提方法的丰度均方根误差可分别降低约15.00%和27.66%，结构相似度提高约15.39%和17.86%；与U-Net和级联自编码器相比，所提方法的丰度均方根误差可分别降低34.62%和24.44%，结构相似度可提高13.79%和3.77%。
引用本文（GB/T 7714）
艾景赛 Ai Jingsai, 孙正 Sun Zheng, 侯英飒 Hou Yingsa, 等. UPSU‑Net：用于光声光谱解混的无监督深度学习框架[J]. Acta Optica Sinica, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。