Apprentissage auto-supervisé pour la reconstruction de phase

Fri, 01 Aug 2025 00:00:00 +0000

Résumé: Ces dernières années, les réseaux de neurones profonds sont apparus comme une solution aux problèmes d’imagerie inverse. Ces réseaux sont généralement entraînés à partir de paires d’images : une image dégradée et une image de haute qualité, appelée ‘vérité terrain’. Cependant, en imagerie médicale et scientifique, le manque de données complètement échantillonnées limite l’apprentissage supervisé. Des avancées récentes permettent de reconstruire des images à partir des seules mesures, éliminant le besoin de références. Ces méthodes restent toutefois limitées aux problèmes linéaires, excluant les problèmes non linéaires comme la reconstruction de phase. Nous proposons une méthode auto-supervisée qui surmonte cette limitation dans le cas de la reconstruction de phase en exploitant l’invariance naturelle des images aux translations.

Abstract: In recent years, deep neural networks have emerged as a solution for inverse imaging problems. These networks are generally trained using pairs of images: one degraded and the other of high quality, the latter being called ‘ground truth’. However, in medical and scientific imaging, the lack of fully sampled data limits supervised learning. Recent advances have made it possible to reconstruct images from measurement data alone, eliminating the need for references. However, these methods remain limited to linear problems, excluding non-linear problems such as phase retrieval. We propose a self-supervised method that overcomes this limitation in the case of phase retrieval by using the natural invariance of images to translations.

"reconstruction de phase" | Laurent Jacques

Apprentissage auto-supervisé pour la reconstruction de phase