航空发动机涡轮叶片微裂纹检测及图像超分辨率重建研究

这是一篇关于涡轮叶片,微裂纹,微焦点,DR图像,图像重建的论文, 主要内容为涡轮叶片是航空发动机中的核心部件之一,无损检测是控制涡轮叶片生产质量的关键技术,涡轮叶片中微裂纹会在服役过程中受疲劳因素影响而扩展,甚至造成叶片断裂,针对涡轮叶片微裂纹进行无损检测对保障飞行安全性有重要意义。本文以航空发动机涡轮叶片为对象,以涡流检测和X射线成像检测两种方法开展涡轮叶片微裂纹无损检测试验。针对涡轮叶片微裂纹检测问题,首先开展了低压涡轮叶片进气边及排气边微小缺陷的涡流检测研究,确定涡轮叶片中可疑缺陷位置。根据涡流检测结果,对涡轮叶片可疑缺陷区域进行微焦点X射线显微成像试验验证,将两种检测方法的检测结果进行对比验证。针对低几何放大倍数条件下DR成像结果细节分辨率不足的问题,开展涡轮叶片DR图像超分辨率重建研究。具体工作如下:(1)低压涡轮叶片微小缺陷的涡流检测。以设计制造的高温合金缺陷对比试样为对象开展微小缺陷涡流检测检出能力测试,在保证检测结果信噪比较高、缺陷特征信号较为明显、信号幅值较高的前提下,确定了涡流检测系统能够检出的人工线型缺陷尺寸信息。以不同型号的航空发动机低压涡轮叶片为对象进行试验,能够检出叶片进气边、排气边边缘中的微小缺陷,且检测信号幅值、信噪比、典型缺陷信号特征均得到较好显示,为微焦点X射线显微成像试验提供了依据。(2)涡轮叶片微裂纹X射线显微成像。以加工有人工线型缺陷的某型涡轮叶片为对象进行微焦点X射线显微成像试验,缺陷影像特征明显,并能准确地得到工件中缺陷尺寸信息,测试结果与真实值的相对误差与绝对误差均较小。根据涡流检测结果确定的缺陷位置,开展不同检测系统、不同成像条件下涡轮叶片DR成像试验,在涡流检测显示的缺陷位置处均发现微裂纹,微裂纹显示效果受焦点尺寸、几何放大倍数影响,试验中发现了最小宽度为21μm,最小长度为391μm的微裂纹。多尺度对比度增强算法能够有效增强DR图像中细节特征及微裂纹的显示效果。(3)涡轮叶片DR图像超分辨率重建。构建了以残差网络为主体的SRRes Net图像超分辨率重建模型,通过两层子像素卷积模块使重建图像宽、高变为输入图像的4倍,优化损失函数后将SRRes Net模型引入GAN网络作为生成器,与构建的判别器组成SRGAN网络模型,引入基于Bicubic基函数的双三次插值算法,采用三种算法进行了有参考DR图像及无参考DR图像的图像超分辨率重建试验,并对涡轮叶片DR图像超分辨率重建图像进行了定量评价。对比重建结果发现基于深度学习的SRRes Net算法及SRGAN算法重建效果均优于双三次插值算法。SRRes Net模型对低压涡轮叶片DR图像重建效果最好,有效提升图像清晰度,改善微裂纹显示效果。SRGAN模型在DR图像重建试验中重建图像显示效果较差,部分情况下会产生明显的背景噪声。

基于深度学习的肺部EIT重建算法研究

这是一篇关于电阻抗层析成像,深度学习,重建算法,图像重建的论文, 主要内容为电阻抗层析成像(electrical impedance tomography,EIT)是一种新型的可视化在线检测技术。因其具有成本低廉、响应迅速、携带方便、无辐射、非侵入等优点,在工业检测和医疗成像等领域具有广阔的应用前景。但边界电压与被测场域内电导率分布间固有的非线性和逆问题的病态性导致成像质量欠佳。针对此问题,搭建基于深度学习EIT肺部图像重建模型,将求解EIT逆问题转换成电压值到电导率的非线性映射模型的建立以及优化问题。考虑到许多应用场景无法提供参考态,本文采用绝对成像的方法来直接重建肺部电导率分布。本文主要研究内容以及完成情况如下:采用二值形态学理论提取计算机断层成像(computed tomography,CT)中胸部轮廓,通过改变肺部电导率与损失面积来分别模拟肺部呼吸状态和疾病情况,运用有限元方法求解EIT正问题,以此来构建深度神经网络所需的大量数据集。采用结构简单的拼接层(Concatenate,CAT)和图像分割效果佳的深度神经网络U-Net组成的CAT+U-Net来求解边界电压到电导率分布的回归问题。采用CAT实现电压数据扩展来解决U-Net的输入数据尺寸的问题,用U-Net解决图像特征提取和深度重建的问题,经过网络训练和调参,使网络很好的拟合EIT的逆问题。将非线性逼近能力强的径向基函数(Radial Basis Function,RBF)神经网络与U-Net结合,形成一种新的、称之为RBF-V-Net的V型网络结构。用RBF神经网络实现预映射,用U-Net实现特征提取和深度重建,用残差连接解决网络退化问题,从而实现由边界电压值到电导率分布的更高精度映射。本文设计无噪声、有噪声、新测试集三组仿真重建实验,以吉洪诺夫正则化(Tikhonov Regularization,TR)法、Landweber法、6层全连接深度网络(6 Full Connection Deep Network,6L-FCDN)、卷积神经网络(Convolutional Nueral Network,CNN)为对比算法,从视觉和重建误差两方面分析重建结果。仿真结果表明,CAT+U-Net法可避免TR法、Landweber法重建的肺部图像边界不清晰、形状失真大的问题,也能得到比6L-FCDN法、CNN法更准确的电导率值;RBF-V-Net法相对于CAT+U-Net法,在泛化能力以及重建结果的准确性和抗噪声能力上都有较明显的优势。

基于卷积滤波流的压缩感知图像重建算法研究

这是一篇关于压缩感知,图像重建,卷积滤波流,快速傅里叶卷积,离散小波变换的论文, 主要内容为压缩感知理论不再约束于奈奎斯特-香农采样定理对采样频率的要求,其将采样过程和压缩过程进行有机结合,为如何进行有效的信号采样、传输和存储提供了新的模式,将压缩感知应用于图像处理领域,能够减少采样数据量且避免高速采样。从极少量的测量值中有效且高概率高质量恢复出原始信号是压缩感知图像重建研究的核心问题,学者们相继提出了传统和基于深度学习的压缩感知图像重建算法,传统算法基于数学推导是可解释的,但其重建质量相对较差,基于深度学习的算法重建质量相对较高,但缺乏可解释性的保证。受滤波流的启发,本文提出了两种基于卷积滤波流的压缩感知图像重建框架,既保留了良好的可解释性,又实现了较高的重建质量。首先,本文提出了基于快速傅里叶卷积与卷积滤波流重建网络模型(称之为FFC-CFFNet),其以卷积层执行压缩采样以及初始重建过程,联合学习优化测量矩阵与卷积滤波流,同时考虑了图像全局上下文信息和图像像素局部邻域信息,建立了完整的端到端可训练的深度图像重建网络。经实验验证,在压缩感知图像重建领域常用的Set5、Set11、BSD68测试数据集和采样率为20%的情况下,FFC-CFFNet的图像重建质量相比于经典的传统算法MH与基于深度学习的算法CSNet的平均PSNR分别提高了2.29d B、0.51d B,有效提升了重建图像质量。其次,本文提出了基于离散小波变换与卷积滤波流重建网络模型(称之为DWT-CFFNet),将小波域与像素域相结合,同时考虑了图像高低频分量信息和图像像素局部邻域信息,建立了完整的端到端可训练的深度图像重建网络。通过实验仿真验证了在Set5、Set11、BSD68数据集和10%采样率下,DWT-CFFNet的图像重建质量相比于主流传统算法MH,基于深度网络展开的传统算法ISTA-Net+和基于深度学习的算法CSNet的平均PSNR分别提高了2.83d B、0.61d B、2.15d B,有效提升了重建图像质量。

基于卷积神经网络和迁移学习的电阻层析成像重建算法

这是一篇关于电阻层析成像,图像重建,卷积神经网络,迁移学习,Res2Net4网络,CNN-SVM网络,CNN-Unet网络,CNN-DDC网络的论文, 主要内容为电阻层析成像(Electrical Resistance Tomography,ERT)具有无辐射、非侵入、响应快等优势,在工业检测和医学临床监护等领域具有广泛应用前景。图像重建是电阻层析成像系统中的关键环节,其准确度和实时性的提高对于生产过程监控具有重要意义,提高图像重建的精度和速度一直是ERT领域的研究热点。近年来广受关注的深度学习方法,具有在不同特征空间中自学习和提取特征的能力,是解决工业过程层析成像的一种新方法。本课题以ERT图像重建问题为研究对象,利用卷积神经网络(Convolutional Neural Network,CNN)学习边界测量电压值与被测介质分布之间的非线性映射关系,将图像重建问题转换为被测区域内的二分类问题,提高了图像重建的质量;采用深度网络的微调和自适应等深度网络迁移学习方法,通过调整图像重建网络的基本结构和训练方式,提高了重建网络对于实验数据集的泛化能力。主要研究工作包括:(1)针对ERT标签数据库的建立问题,采用COMSOL与MATLAB联合仿真建立内含物仿真数据库,共包含40000组模拟样本,并设计系统测试实验建立实测数据库,共包含3259组实验样本。采用交叉验证方法将总数据集分为训练集、验证集和测试集。(2)针对内含物图像重建存在的非线性、欠定性和病态性问题,提出了一种包含卷积层、池化层和全连接层的10层网络结构,命名为Res2Net4。该网络采用分层残差的形式融合数据特征信息,采用两层全连接层进行图像拟合。在训练网络过程中加入正则化参数防止网络出现过拟合现象,通过设置指数衰减学习率和滑动平均模型提高网络参数更新效率和鲁棒性。最后利用实验测试集和仿真测试集验证了该算法的抗噪性和泛化能力。(3)针对图像重建网络的泛化能力有限的问题,提出了CNN-SVM,CNNUnet算法,通过对Res2Net4网络结构的微调来弥补不完备数据集对图像重建的影响,提高图像重建质量。针对ERT仿真数据集和实验数据集具有不同数据分布的问题,提出了一种CNN-DDC的神经网络结构,通过在特征层加入一层MMD适配层,计算仿真数据域和实验数据域间的距离,并将其加入网络损失函数中进行训练。实验测试结果验证了重建网络对于实验数据集具有良好的泛化能力。

基于深度学习的压缩感知重建算法及其在智慧城市中的应用研究

这是一篇关于压缩感知,深度学习,卷积神经网络,图像重建,视频重建的论文, 主要内容为压缩感知(Compressed Sensing,CS)理论实现了同时对信号的采样与压缩,在各个领域中存在着巨大的应用潜力。其中图像/视频压缩感知重建算法是CS的重要研究方向,然而现有的传统图像/视频CS算法存在计算复杂度高与重建质量差等问题。因此,随着深度学习近年来不断地发展,国内外研究人员开始提出基于深度学习的算法来解决传统图像/视频CS算法中存在的问题。本文主要研究基于深度学习的压缩感知重建算法来实现高质量的图像/视频重建。总的来说,本文主要包括以下三个方面的研究工作:(1)针对现有的基于深度学习的图像压缩感知重建算法处理彩色图像时存在着工作冗余问题,本文提出了一种结合YCb Cr颜色空间的多重特征补偿的彩色图像压缩感知重建网络(Color Image Compressive Sensing Network Based on Multi-Feature Compensation,MFC-CINet)模型。该网络模型包含5个部分:RGB转YCb Cr、压缩测量、初始重建、深度重建以及YCb Cr转RGB。其主要原理是利用YCb Cr颜色空间Y通道比Cb/Cr通道包含更多图像信息的特点,对三个通道采用非均匀测量的方式,将压缩测量值更加集中在Y通道中,从而获取到更多的有效信息以提高图像重建质量。另外,MFC-CINet在深度重建时利用长距离跳跃连接聚合不同残差块的特征以改进最终结果进一步提高图像的重建质量。经实验分析验证,本文提出的MFC-CINet相较于其他对比算法在图像重建质量上有一定的效果提升。(2)针对现有的基于深度学习的分布式视频压缩感知重建算法存在着忽略关键帧与非关键帧的相关性随着距离的变远而变差的问题,本文提出了一种基于双帧补偿的视频压缩感知重建网络(Video Compressed Sensing Reconstruction Network Based on Double Frame Compensation,DFC-VCSNet)模型。该网络模型包含3个部分:逐帧压缩测量、逐帧初始重建和逐帧双帧补偿深度重建。其主要原理是利用与当前非关键帧邻近的关键帧的重建帧以及非关键帧的重建帧对当前非关键帧进行补偿重建,从而提高当前非关键帧的重建质量,最终实现视频的高质量重建。经实验分析验证,本文提出的DFC-VCSNet在低测量率下的视频重建质量较优于其他对比算法。(3)为了体现本文提出的图像/视频压缩感知重建算法有应用于智慧城市系统中的可行性,本文设计并实现了一个图像/视频压缩感知重建系统。该系统基于微服务架构设计,有效地降低了模块之间的耦合度,实现了业务服务的可扩展性,并为本文提出的图像/视频压缩感知重建算法提供了实验测试平台。

基于复卷积双域级联U-net网络的并行MRI图像重建研究

这是一篇关于磁共振成像,图像重建,复卷积,双域级联,U-net网络的论文, 主要内容为磁共振成像(MRI)技术具有对人体无损伤,软组织分辨率高,多参数成像等优点,目前已成为临床主要检查技术。但其最大的缺点是成像速度慢,并行MRI和压缩感知MRI是两种加速MRI成像速度的经典方法。并行成像MRI技术是利用多个线圈同时采集数据来缩短扫描时间,但由于噪声的影响,当加速因子较大时,其重建图像质量显著下降。压缩感知MRI技术突破了采样定理,进一步缩短采集时间,但图像重建是迭代进行的,整体成像较慢。深度MRI图像重建不同于传统的重建算法,主要使用网络在大量磁共振欠采样数据和金标准重建图像之间进行学习,获取精准的映射关系,实现快速扫描的同时,快速获得高质量的重建结果。我们主要研究不同结构的卷积神经网络用于并行MRI图像重建的方法,提出复卷积双域级联U-net网络,设计了四种复卷积网络结构,并对训练好的网络模型的性能进行对比分析。首先,对磁共振成像原理及传统重建算法(并行MRI和压缩感知MRI算法)的优缺点进行了研究。并根据网络输入输出磁共振数据类型的不同,对分成的四类深度学习MRI模型,进行了分析。然后,对实卷积的U-net网络的并行MRI图像重建进行研究。根据学习MRI数据类型的不同,分别对单域U-net、双域级联U-net、深度级联U-net等网络结构进行研究,对网络中使用的归一化方法和激活函数以及数据一致性层进行选取,并对三种网络结构的优缺点进行比较分析。接着,对复卷积U-net网络的并行MRI图像重建进行研究。复卷积网络相比实卷积网络,能够更好的保留磁共振数据的复数本质。根据网络输入磁共振数据类型的不同,实现空域复卷积U-net网络和频域复卷积U-net网络的搭建。对复卷积U-net网络中使用的复卷积的原理和网络中使用的归一化方法以及激活函数等进行分析。在单个复卷积U-net网络的基础上,我们提出复卷积双域级联U-net网络,设计了四种复卷积网络结构,并分别对四种网络结构的输入与输出以及网络结构的特点进行研究。最后,在Spyder开发环境中,使用Python3.7完成代码的编写与调试。对网络输入的数据进行预处理,包括:数据筛选、欠采样掩膜设计、加速倍数设置等。在Keras和Pytorch框架下分别完成实卷积复卷积U-net网络的搭建。在网络训练中,对网络训练的超参数进行设置,选用Adam作为优化器。在配置两块16GB的GPU工作站中,完成不同网络的训练。使用训练好的模型进行MRI图像重建测试,并对重建结果进行比较分析。测试结果表明:(1)复卷积U-net网络明显优于实卷积U-net网络,证明了复卷积相比实卷积能够更好的学习到磁共振数据的特点。(2)在复卷积网络中,我们提出的复卷积双域级联U-net网络测试结果明显优于单域复卷积U-net网络,其中IK CW-net在图像视觉效果以及定量评价上,效果均最优。(3)将IK CW-net与目前快速磁共振重建研究中表现较好的深度级联U-net网络(IKIK-net)模型进行对比,得出我们的IK CW-net其对于细节纹理的重建和噪声的去除表现更优。研究结果表明:复卷积U-net网络比实卷积U-net网络能够更好的用于多线圈并行MRI图像重建。提出的IK CW-net网络,是MRI图像重建领域的新方法。将此方法应用到MRI扫描仪的开发和研制上,能够大大提高MRI扫描速度,快速获得高质量重建结果,有助于提高临床诊断的准确性。

基于深度卷积神经网络的图像隐写分析和被隐藏信息重构研究

这是一篇关于图像隐写分析,反馈机制,聚集增强滤波器,通道卷积神经网络,图像重建的论文, 主要内容为图像隐写分析是检测图像中是否存在隐藏信息的过程,现有的图像隐写分析方法即使成功地检测到隐藏信息的存在,也无法完全提取隐藏的信息,从而导致检测性能差或无法重建隐藏信息。深度学习隐写分析算法基于大量数据训练能够获得更好的检测性能和更优的泛化能力,非常适用于现实场景下的实际应用。本文研究基于深度学习的图像隐写分析算法在进行分类检测的同时,还将隐写图像(Stego)中的隐写信息进行提取重建,主要研究成果如下:(1)基于空间富模型和Gabor滤波残差网络(Steganalysis rich model and Gabor residual network,SG-Res Net)的图像隐写分析算法。目前,针对深度学习彩色图像隐藏算法的隐写分析方案较少,因此本文提出了一种基于生成式隐写分析富模型和Gabor残差网络的图像隐写分析算法,该算法能够实现隐藏信息的分类和初步提取与重建。首先,将数据输入到富模型卷积层中,以关注隐写区域的残差特征并抑制图像本身的背景内容。二维Gabor滤波核卷积可以学习残差图像中像素之间的许多不同类型的依赖关系,使得网络能提取足够的统计属性来准确地检测秘密信息。通过这种方式,在保证网络收敛和输出分类结果正确的条件下最小化高通滤波的负面影响。同样地,重建网络也是基于SG-Res Net来从Stego图像中重建被隐藏的秘密图像。重建网络包括通道分离的富模型(Steganalysis rich model,SRM)卷积层,普通卷积层和Pixel Shuffle残差层,通过这些结构的逐次提取重建秘密图像。大量实验表明,SG-Res Net在低隐写嵌入率下依然具有良好的性能。(2)基于深度聚焦反馈残差的生成式隐写分析网络(Generative focused feedback residual network,FFR-Net)。针对被隐藏信息的高分辨率提取重建问题,本文还提出了一种基于聚焦反馈残差卷积神经网络的生成式图像隐写分析算法,用于同时检测和提取隐藏信息。首先,由几个卷积层和两个新的聚焦模块(FOCUS)组成的预处理网络处理可能的Stego图像,并输出增强的特征图。然后,提取增强特征图中的Stego残差信息并输入到分类网络和重建网络中以提高低级语义信息中隐写残差信息的敏感度,使得在增大隐写区域感受野的同时可以捕获多层次的特征,提高检测精度。分类网络识别特征图是来自Stego图像还是来自无信息隐藏的简单的封面图像,然后输出分类检测的结果。重建网络由普通的卷积单元、Pixel Shuffle和多级联反馈残差模块组成,完成隐藏信息的提取重建。实验结果表明,与经典的富模型和几种最近的基于深度学习的方法相比,所提出的FFR-Net在检测的准确率和隐藏信息提取重建方面获得了最先进的结果。

基于深度学习的肺部EIT重建算法研究

这是一篇关于电阻抗层析成像,深度学习,重建算法,图像重建的论文, 主要内容为电阻抗层析成像(electrical impedance tomography,EIT)是一种新型的可视化在线检测技术。因其具有成本低廉、响应迅速、携带方便、无辐射、非侵入等优点,在工业检测和医疗成像等领域具有广阔的应用前景。但边界电压与被测场域内电导率分布间固有的非线性和逆问题的病态性导致成像质量欠佳。针对此问题,搭建基于深度学习EIT肺部图像重建模型,将求解EIT逆问题转换成电压值到电导率的非线性映射模型的建立以及优化问题。考虑到许多应用场景无法提供参考态,本文采用绝对成像的方法来直接重建肺部电导率分布。本文主要研究内容以及完成情况如下:采用二值形态学理论提取计算机断层成像(computed tomography,CT)中胸部轮廓,通过改变肺部电导率与损失面积来分别模拟肺部呼吸状态和疾病情况,运用有限元方法求解EIT正问题,以此来构建深度神经网络所需的大量数据集。采用结构简单的拼接层(Concatenate,CAT)和图像分割效果佳的深度神经网络U-Net组成的CAT+U-Net来求解边界电压到电导率分布的回归问题。采用CAT实现电压数据扩展来解决U-Net的输入数据尺寸的问题,用U-Net解决图像特征提取和深度重建的问题,经过网络训练和调参,使网络很好的拟合EIT的逆问题。将非线性逼近能力强的径向基函数(Radial Basis Function,RBF)神经网络与U-Net结合,形成一种新的、称之为RBF-V-Net的V型网络结构。用RBF神经网络实现预映射,用U-Net实现特征提取和深度重建,用残差连接解决网络退化问题,从而实现由边界电压值到电导率分布的更高精度映射。本文设计无噪声、有噪声、新测试集三组仿真重建实验,以吉洪诺夫正则化(Tikhonov Regularization,TR)法、Landweber法、6层全连接深度网络(6 Full Connection Deep Network,6L-FCDN)、卷积神经网络(Convolutional Nueral Network,CNN)为对比算法,从视觉和重建误差两方面分析重建结果。仿真结果表明,CAT+U-Net法可避免TR法、Landweber法重建的肺部图像边界不清晰、形状失真大的问题,也能得到比6L-FCDN法、CNN法更准确的电导率值;RBF-V-Net法相对于CAT+U-Net法,在泛化能力以及重建结果的准确性和抗噪声能力上都有较明显的优势。

基于模型与数据协同驱动的图像压缩感知方法研究

这是一篇关于图像压缩感知,深度学习,图像重建,交替方向乘子法,零值域分解,变分自编码器,协同驱动的论文, 主要内容为在图像信号的采集、处理和传输过程中,如何以最少的资源对信号采样并在接收端高质量地重建是值得研究的问题。压缩感知理论致力于解决在低采样频率下尽可能保证重建精度的问题。不过,现有的传统算法计算复杂度高,重建速度较慢,而深度学习方法存在模型可解释性差,模型结构容易盲目设计等问题。这些都会对图像重建性能产生影响。针对上述问题,本文将深度学习方法和优化理论或数学先验知识结合,与现有的模型和数据混合驱动的方法相比,深度学习方法能使优化算法的模型求解过程高效进行,既增强了优化方法的数据拟合、挖掘信号特征的能力,又赋予了深度学习方法更确切的可解释性,真正体现模型与数据协同驱动的效果,理论上可使图像得到高精度重建。基于协同驱动方法,本文设计了几种深度图像压缩感知(DCS)模型。主要内容如下。(1)基于交替方向乘子法(ADMM)提出了DU-ADMM-Net。ADMM是一种效果明显、适用于大规模数据和并行计算的凸优化方法。在ADMM的变量分裂和求解过程中会涉及大量线性和非线性运算,考虑到卷积神经网络(CNN)的基本结构——卷积和激活函数本质上可起到线性和非线性计算的作用,故不妨将所涉及的上述两类运算用CNN模拟,必将推动整体优化过程更高质量地进行。另外,重建部分会面临矩阵求逆的问题,直接求逆会提升计算复杂度,本文试图基于深度学习方法展开诺依曼级数,用多卷积层替代级数的项,从而使矩阵求逆转化为多项式线性累加,等效于多卷积层级联,可有效降低计算负载。对于非线性映射部分,化用卷积稀疏编码(CSC)中的方法,将稀疏基以卷积字典相替代,将分段线性函数(PLF)用于稀疏正则化项,便于使稀疏正则化过程融入神经网络而参与模型的整体优化。该模型以端到端训练的方式学习各类不确定的参数、函数,在提高模型性能的同时,令数据驱动的深度学习方法与模型驱动的优化理论协同发挥作用,使网络模型结构更易于设计。(2)为进一步提升图像重建精度,基于零值域分解(RND)提出了RND-Net。RND是一种针对图像逆问题构造的数学模型,有助于获取图像的低频分量和高频分量。本工作将深度学习方法与其结合,将零值域分解的步骤网络化,以比较新颖的方式获取图像的低频与高频信息,最终重建后的图像在性能指标、视觉效果上均比较出色。(3)在RND过程中,生成零域提取项是一个重要步骤,并与零域部分的获取乃至图像的高概率重建密切相关。为使零域提取项包含更全面的特征信息,提高模型重建性能,提出了RV-CSNet。该模型将零域提取项灵活换用为其他领域应用广泛的变分自编码器(VAE),这一深度生成模型有助于使解码器的输出结果保留编码器输入信息的更多特征。鉴于此,将训练好的VAE模型的解码器用于零域提取项的生成过程,以采样信息作为输入,所得的零域提取项含有更丰富的特征信息,较之输入图像差别很小。另外,该网络模型的损失函数要兼顾RND和VAE的内在约束,将训练VAE和整个端到端模型的损失条件都纳入其中,故最终构造的损失函数涵盖了多重约束,使模型经训练后的图像重建能力得以提升。基于RND提出的两种深度学习模型充分利用了数学先验知识和深度学习方法的协同优势,在增强模型可解释性的同时促进了模型性能和图像重建精度的上升,并大大降低单幅图像重建时间,对模型在实际场景中的应用有积极意义。