深度学习计算成像：数据驱动还是物理驱动？| Adv. Photon. Nexus

本文探讨了深度学习在计算成像领域中的应用，特别是相位恢复方法的两种主要策略：数据驱动和物理驱动。数据驱动方法依赖于大量配对数据集中的隐式先验，而物理驱动方法则利用物理模型中的显式先验。研究对比了这两种方法在时耗、精度、泛化能力、病态适应能力和先验容纳能力等方面的表现，并提出了一种结合数据和物理的驱动策略以平衡高频和低频信息。研究结果表明，结合策略在多个方面优于单一策略，特别是在处理复杂和不规则样本时。本文的研究成果发表在Advanced Photonics Nexus 2024年第5期，并提供了相关开源资源以便读者进一步探索。