深度学习介绍
Published in Jule 28, 2018
深度学习的发展历程介绍，以及相关书籍推荐。
Recommended citation: http://abollo.github.io/files/introduction_to_deep_learning.pdf
Posts by Collection
portfolio
publications
talks
汉字字体风格变换
Published:
基于U-net结构的深度学习网络进行不同字体间的风格映射自动变换。
光学反设计
Published:
纳米光子器件的逆设计问题一直是纳米光子学重要的研究内容之一。典型的逆设计问题通过电磁仿真和逆设计方法实现预期的性能。然而，随着时代的发展，纳米器件的结构越来越复杂。面对更复杂的结构和更高维的优化空间，一个快速的前向仿真和逆设计方法将有效的加速器件设计过程。本文研究通过多层感知器模型代替大计算量的电磁仿真计算，进行光学器件的逆设计。
傅里叶叠层计算成像
Published:
傅里叶叠层显微成像是一种能够同时实现大视场和高分辨率图像的计算成像技术。传统的傅里叶叠层算法通过迭代算法综合不同频域低分辨率图像的信息获得高分辨大视场的物体图像，算法的复原效果与低分辨图像的数据量相关，复原图像质量与采集时间和计算成本需要进行平衡。为了能够减少数据采集量，加强复原算法的鲁棒性，提高图像的复原质量实现超分辨，本研究提基于先验神经网络的先验特性构建新的傅里叶叠层显微成像方法。
基于光流约束网络的运动散斑成像
Published:
运动散斑成像是一种透过散射介质对运动目标进行重建的计算成像技术。传统方法多基于静态假设或时序循环网络，缺乏显式运动场建模，难以保证长时间序列下的重建一致性与稳定性，且逐帧恢复需要完整的配对数据，实际情况下较难获得。为实现高质量、时序一致的运动目标散射成像，本研究提出基于光流约束网络的运动散斑重建方法，将散斑运动与物体运动等效建模，通过单帧重建+光流引导时序传播实现全序列高精度恢复。
基于物理启发合成数据的超记忆效应散斑成像
Published:
散斑影像是透过散射介质对目标进行重建的关键技术。传统基于光学记忆效应（OME）的方法无需预先表征介质，但受限于极窄的视场角。尽管深度学习展示了强大的重建能力，但其对大规模实验数据的依赖限制了实际应用。本研究提出一种基于物理启发合成数据（Physically Inspired Synthetic Data）训练的框架，通过多尺度空间条纹注意力网络，实现了超越 OME 范围的高精度图像重建。