融入物理信息的光场显微三维粒子空间分布深度学习重建
摘要
针对光场显微粒子图像测速中的纯数据驱动深度学习粒子场重建模型存在泛化能力有限、可解释性差的问题，提出一种融合物理信息的光场显微三维粒子场深度学习重建（PIDLR）模型，通过融入成像物理过程作为重建约束信息来提升网络重建性能与可解释性。首先，通过数值计算，获取粒子光强分布-光场图像数据集，训练所构建的三维粒子场U-Net重建网络；然后，将成像物理模型融入预训练后的重建网络，对网络进行无监督训练，微调网络参数；最后，通过模拟仿真与Y型芯片层流流动测量实验，对所提出重建模型进行验证。结果表明：相较于纯数据驱动的深度学习重建模型，PIDLR模型能够有效抑制伪粒子的出现，重建粒子的轴向分辨率提高了33.47%，在0.4~1.2 ppm（particle per microlens）粒子浓度范围内粒子场的平均重建质量因子提高了16.31%；Y型芯片层流速度场测量值与理论值的相对误差低至11.35%，进一步证明了所提PIDLR模型提升粒子场重建效果的有效性。
引用本文（GB/T 7714）
王峥 Wang Zheng, 李健 Li Jian, 张彪 Zhang Biao, 等. 融入物理信息的光场显微三维粒子空间分布深度学习重建[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。