prNet: Data-Driven Phase Retrieval via Stochastic Refinement

Mehmet Kaya

doi:10.1109/tci.2026.3719489

prNet: Data-Driven Phase Retrieval via Stochastic Refinement

2026-08-03

0

PRE

AI

DOI：10.1109/tci.2026.3719489

原文链接

原文求助

摘要

En 中文

相干恢复是一个不适定的逆问题，现有方法往往难以平衡重建保真度与感知质量。我们提出了一种基于朗之万的相干恢复新框架，通过结合随机后验采样、学习去噪和基于模型的更新，将模型驱动和数据驱动方法相结合，以更好地处理感知-失真权衡。该框架包含三个逐步改进的变体。第一个prNet-Small提供了具有理论依据且轻量化的流程，整合了朗之万动力学、学习噪声与去噪过程以及基于交替投影的更新。在此基础上，prNet-Large利用多样重建的并行采样并聚合结果以近似MMSE解，显著提升了失真指标。最后，prNet-Large-Adversarial通过用对抗训练的聚合网络替代简单平均，在保持重建保真度的同时增强了感知质量。此外，我们还引入了测试时间增强以进一步提升性能。大量实验表明，所提框架在多个基准测试中，无论是重建保真度还是感知质量，均一致优于经典的、基于深度学习的和基于扩散的基线方法。

Keyword:

Phase retrieval

diffusion models

deep learning

nonlinear inverse problems

prNet: Data-Driven Phase Retrieval via Stochastic Refinement

摘要

期刊

机构

引用论文