.png){kind=icon}
返回
Deep Learning Network With Object Shape Information for Efficient Continuous-Wave THz Computed Tomography
.png){kind=icon}
PRE
AI
DOI：10.1109/TTHZ.2025.3615105.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种高效的连续波太赫兹计算机断层扫描技术，该技术可通过利用深度学习方法结合物体形状信息来实现。提出了一种能够融入物体形状信息的改进U-Net架构，以减轻测量过程中因反射、折射、衍射或大光束几何形状等波动现象引起的影响。这对大多数传统断层重建技术有益，这些技术虽然计算高效，但由于假设射线波传播为直线且狭窄而忽略了这些效应，导致重建图像中出现强伪影。所提出的方法在多种样本几何形状和材料上进行了评估，并将其性能与其他类似深度学习架构进行了比较。结果表明，在图像外观和结构相似性指数度量（SSIM）方面均得到显著改善。SSIM值在简单和复杂案例的图像重建中分别介于0.681至0.953和0.599至0.890之间。与通过其他类似深度学习架构转换测量数据的情况相比，所提出的方法有效减轻了边界伪影并增强了整体图像外观。这表明其作为高效太赫兹计算机断层扫描技术在无损检测应用中的潜力。
Keyword:
Image reconstruction
Solids
Shape
Deep learning
Detectors
Imaging
Geometry
Computed tomography
Attenuation
Attenuation measurement
shape information
terahertz
tomography
期刊
IF:
4
论文数:
1.5K
被引数:
3.6K
机构
引用论文
.png){kind=icon}
Terahertz Computed Tomography of High-Refractive-Index Objects Based on Refractive Index Matching
OAAI
OAAI分享收藏分享收藏
查看更多内容