-
公开(公告)号：CN107958475A
公开(公告)日：2018-04-24
申请号：CN201711372608.7
申请日：2017-12-19
Applicant: 清华大学
Abstract: 本发明公开了一种基于深度学习生成网络的变角度光照层析方法及装置，其中，方法包括：根据波的亥姆霍兹方程、光的傅里叶传播模型推导出得到光在非均匀透明介质中逐层传播时衍射场和折射场的分布模型；仿照物理过程搭建以复数形式在时域和频域传播的深度学习生成神经网络；将采集到的未透过样本的输出光复数场通过角谱传播公式向后传播作为输入光复数场数据，并将采集到的透过待重建样本的复数场作为输出光复数场数据；根据重建分辨率条件调整深度学习网络参数，以对网络进行训练；通过训练得到的权重求解得到样本的三维折射率分布，实现对样本的层析重建。该方法实现了低采集量、高分辨率的层析重建能力，有效提高样本层析重建的分辨率精度。
-
公开(公告)号：CN107958475B
公开(公告)日：2020-06-02
申请号：CN201711372608.7
申请日：2017-12-19
Applicant: 清华大学
Abstract: 本发明公开了一种基于深度学习生成网络的变角度光照层析方法及装置，其中，方法包括：根据波的亥姆霍兹方程、光的傅里叶传播模型推导出得到光在非均匀透明介质中逐层传播时衍射场和折射场的分布模型；仿照物理过程搭建以复数形式在时域和频域传播的深度学习生成神经网络；将采集到的未透过样本的输出光复数场通过角谱传播公式向后传播作为输入光复数场数据，并将采集到的透过待重建样本的复数场作为输出光复数场数据；根据重建分辨率条件调整深度学习网络参数，以对网络进行训练；通过训练得到的权重求解得到样本的三维折射率分布，实现对样本的层析重建。该方法实现了低采集量、高分辨率的层析重建能力，有效提高样本层析重建的分辨率精度。
-
Patent Agency Ranking
公开(公告)号：CN110441271A
公开(公告)日：2019-11-12
申请号：CN201910637854.3
申请日：2019-07-15
Applicant: 清华大学
Abstract: 本发明公开了一种基于卷积神经网络的光场高分辨解卷积方法及系统，其中，该方法包括：通过光场显微成像系统采集光场显微数据；根据预设的三维样本体分布数据集的分布特性与参数，生成仿真样本体分布数据集；根据光场成像原理对上述数据集进行实验光场系统的仿真成像，并引入实验因素得到仿真光场图像；以理查德-露西解卷积算法为基础实现光场三维解卷积算法，并以仿真点扩散函数为先验信息，对仿真光场图像进行解卷积得到初步重建体分布数据；生成深度卷积神经网络；将初步重建的结果输入到深度卷积神经网络中，得到对应样本体分布数据的预测值。该方法克服传统光场三维重建算法中存在的一些固有问题，实现高分辨的、少伪影的光场数据三维重建。
-
公开(公告)号：CN107485100A
公开(公告)日：2017-12-19
申请号：CN201710636773.2
申请日：2017-07-31
Applicant: 清华大学
CPC classification number: A42B3/0406 , A42B3/042 , G01C21/165 , G01C21/206
Abstract: 本发明提出的一种用于建筑物内救援的智能头盔及其救援导航方法，属于消防疏散领域。该装置包括：头盔、CPU处理器、存储单元、重力传感器、陀螺仪、水平加速度传感器、地磁计传感器、普通摄像头、深度摄像头、麦克风、语音播放器，电池和全息镜片；使用时，在准备阶段建立建筑物的三维模型后在模型中标定关键点并生成各个关键点的连通信息；在救援导航阶段，使用者确定起点和目的地后，通过在全息镜片上显示的规划路径指引箭头指引到达目的地。本发明能够为使用者在建筑物内提供准确的定位，在建筑物内救援时提供引导使得救援人员快速到达救援地点，有很强的实用价值。
-
公开(公告)号：CN110443882B
公开(公告)日：2021-06-11
申请号：CN201910602894.4
申请日：2019-07-05
Applicant: 清华大学
Abstract: 本发明公开了一种基于深度学习算法的光场显微三维重建方法及装置，其中，方法包括：搭建光场显微成像系统；通过对光场显微成像系统进行仿真得到成像系统的点扩散函数；生成仿真样本体分布数据集；通过点扩散函数与对应的样本数据生成仿真光场数据集，并对可能产生的噪声及背景模型进行校正；搭建深度卷积神经网络，以仿真光场数据作为网络的输入，并以仿真样本体分布数据作为网络的输出，根据显微样本设计损失函数对网络进行训练；在完成模型的训练后，将待重建的光场显微数据输入模型进行测试，获取对应样本体分布数据的预测值。该方法可以在保持光场快速采集三维信息优势的同时，实现快速的、高分辨的、少伪影的光场数据三维重建。
-
公开(公告)号：CN110441271B
公开(公告)日：2020-08-28
申请号：CN201910637854.3
申请日：2019-07-15
Applicant: 清华大学
Abstract: 本发明公开了一种基于卷积神经网络的光场高分辨解卷积方法及系统，其中，该方法包括：通过光场显微成像系统采集光场显微数据；根据预设的三维样本体分布数据集的分布特性与参数，生成仿真样本体分布数据集；根据光场成像原理对上述数据集进行实验光场系统的仿真成像，并引入实验因素得到仿真光场图像；以理查德‑露西解卷积算法为基础实现光场三维解卷积算法，并以仿真点扩散函数为先验信息，对仿真光场图像进行解卷积得到初步重建体分布数据；生成深度卷积神经网络；将初步重建的结果输入到深度卷积神经网络中，得到对应样本体分布数据的预测值。该方法克服传统光场三维重建算法中存在的一些固有问题，实现高分辨的、少伪影的光场数据三维重建。
-
公开(公告)号：CN110443882A
公开(公告)日：2019-11-12
申请号：CN201910602894.4
申请日：2019-07-05
Applicant: 清华大学
Abstract: 本发明公开了一种基于深度学习算法的光场显微三维重建方法及装置，其中，方法包括：搭建光场显微成像系统；通过对光场显微成像系统进行仿真得到成像系统的点扩散函数；生成仿真样本体分布数据集；通过点扩散函数与对应的样本数据生成仿真光场数据集，并对可能产生的噪声及背景模型进行校正；搭建深度卷积神经网络，以仿真光场数据作为网络的输入，并以仿真样本体分布数据作为网络的输出，根据显微样本设计损失函数对网络进行训练；在完成模型的训练后，将待重建的光场显微数据输入模型进行测试，获取对应样本体分布数据的预测值。该方法可以在保持光场快速采集三维信息优势的同时，实现快速的、高分辨的、少伪影的光场数据三维重建。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
