学习用于未知探针X射线叠层成像重建的神经表示方法

《npj Computational Materials》：Learning neural representations for X-ray ptychography reconstruction with unknown probes

　　

摘要

X射线衍射术具有出色的纳米级分辨率，广泛应用于材料科学、生物学和纳米技术领域。然而，其潜力受到一个关键挑战的限制：当照明探针未知时，难以准确重建图像。传统的迭代方法和深度学习方法在这种情况下往往效果不佳，尤其是在低剂量和高速实验所导致的低信号环境下。这些限制降低了图像重建的精度，从而阻碍了该技术的广泛应用。在这项研究中，我们提出了“衍射隐式神经表示”（PtyINR）框架，这是一个自监督算法，能够同时解决物体和探针的重建问题。通过将物体和探针的信息参数化为连续的神经表示，PtyINR可以直接从原始衍射图案进行端到端的图像重建，而无需对探针进行任何预先表征。大量实验表明，PtyINR在模拟数据和真实数据上均实现了更高质量的重建结果，并且在具有挑战性的低信号条件下表现出显著的鲁棒性。此外，PtyINR提供了一个通用且基于物理原理的框架，可用于解决与探针相关的逆问题，因此适用于广泛的计算显微学应用。