Deep plug-and-play and unrolling approaches for phase retrieval
Faz geri kazanımı için derin-öğrenme içeren koy-ve-oynat düzenlileştirmeye ve baştan uca eğitilerek açılmaya dayalı yaklaşımlar
- Tez No: 981321
- Danışmanlar: DOÇ. DR. SEVİNÇ FİGEN ÖKTEM SEVEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Görüntü geriçatım (IR) problemleri, görüntüleme alanında karşılaşılan, fiziksel gözlemlerden yola çıkarak bilinmeyen bir görüntünün kestirilmesini amaçlayan problemlerdir. Örneğin görüntü gerievrişim probleminde bilinmeyen bir görüntüye ait bulanık ve gürültülü ölçümler mevcutken, faz geri kazanımı probleminde sadece gürültülü genlik ölçümleri mevcuttur. Mevcut IR yöntemleri, ya tamamen analitik yöntemlerden oluşmakta ya da öğrenme tabanlı modellerden de faydalanmaktadır. Tamamen analitik olan metodlar, fiziksel ölçüm modelini, bilinen analitik önsellere dayalı düzenlileştirme ile birlikte kullanırken, derin öğrenme önsel bilgiyi veriler üzerinden öğrenmeyi mümkün kılmaktadır. Derin öğrenmeye dayalı koy-ve-oynat düzenlileştirme yaklaşımları üstün performansı nedeniyle son yıllarda yaygınlaşan bu tür yöntemlerden biridir. Bu yöntemler analitik ve öğrenme tabanlı adımları özyinelemeli bir şekilde kullanarak çözüme ulaşır. Her iki yaklaşımın da avantajlarını kullanabilen bu metodların performansı, seçilen parametrelere ve kullanılan önceden eğitilmiş modelin kapasitesine büyük ölçüde bağlıdır. Bu tez çalışmasında, öncelikle görüntü gerievrişim ve faz geri kazanımı problemleri için mevcut PnP yöntemleri analiz edilerek, performanslarının daha iyi parametre seçimi ve daha derin sinir ağları kullanılarak iyileştirilmesine odaklanılmaktadır. Daha sonra, faz geri kazanım problemi için ele alınan koy-ve-oynat yöntemi iterasyonları boyunca açılarak baştan sona eğitilebilen bir yaklaşım geliştirilmektedir. Algoritma açılımı, özyineli bir algoritmanın her bir adımını derin sinir ağındaki bir katmana dönüştürerek bütün parametrelerin baştan sonra eğitilebilmesine olanak sağlayan bir tekniktir. Bu teknik aracılığıyla hem performans hem de yorumlanabilirlik arttırılabilmektedir. Simülasyonlar yapılarak, geliştirilen açılıma dayalı yaklaşım, koy ve oynat yöntemi ile hem niteliksel hem de niceliksel olarak karşılaştırılmaktadır.
Özet (Çeviri)
Image reconstruction (IR) tasks, as encountered in imaging, require estimating an unknown image from available physical observations. For example, blurred and noisy observations of an unknown image are available for the image deconvolution task, and noisy magnitude measurements are available for the phase retrieval task. Existing IR methods are either purely analytical methods or incorporate learning-based models. While purely analytical methods simultaneously exploit the underlying physics of the problem and hand-crafted image priors for regularization, deep learning enables to learn the image priors directly from the data. An important such example is deep learning-based plug-and-play (PnP) regularization approach, which has gained popularity because of its superior performance. These approaches iteratively use analytical and learning-based steps to obtain a solution. Although they are able to leverage the strengths of analytical and learning-based methods, their performance is highly dependent on hyperparameter selection and pre-trained model used. In this study, we first focus on analyzing and improving the performance of some existing PnP methods for image deconvolution and phase retrieval through better hyperparameter selection and integration of deeper pre-trained network models. Based on the PnP method, we then develop an end-to-end trainable approach for phase retrieval using algorithm unrolling, which is a technique that transforms an iterative algorithm into a deep neural network by mapping each iteration to a network layer. This enables to learn all hyperparameters through end-to-end training, enhancing both performance and interpretability. Through simulations, the performance of the developed unrolling-based approach is comparatively evaluated against the PnP method both qualitatively and quantitatively.
Benzer Tezler
- Joint calibration and reconstruction for focal plane array imaging
Odak düzlemi dizisi görüntüleme için birleşik kalibrasyon ve geriçatım
MUHAMMET UMUT BAHÇECİ
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Deep learning-based unrolled reconstruction methods for computational imaging
Hesaplamalı görüntüleme için derin öğrenme tabanlı geriçatım yöntemleri
CAN DENİZ BEZEK
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEVİNÇ FİGEN ÖKTEM
- Deep learning for ınverse problems in ımaging
Görüntüleme ters problemlerinde derin öğrenme
HASAN HÜSEYİN KARAOĞLU
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Efficient three-dimensional near-field imaging with physics-informed deep learning for MIMO radar
Fizik tabanlı derin öğrenme teknikleri ile üç boyutlu yakın alan MIMO radar görüntüleme
OKYANUS ORAL
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEVİNÇ FİGEN ÖKTEM SEVEN
- Synthetic aperture radar imaging with deep neural networks
Derin sinir ağları ile sentetik açıklıklı radar görüntüleme
MUHAMMED BURAK ALVER
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MÜJDAT ÇETİN
PROF. DR. SELİM BALCISOY