如何进行基于物理的学习 计算成像系统（例如，层析成像系统，计算光学系统，磁共振成像）共同设计软件和硬件，以检索传统上无法访问的信息。 通常，这种系统的特征在于如何根据测量值对信息进行编码（正向处理）和解码（逆问题）。 计算成像系统的关键方面（例如实验设计和图像先验）可以通过展开深度网络来优化，这些深度网络是通过展开基于经典模型的重建的迭代而形成的。 这次开源演示的目的是为刚接触物理学习的人们提供一个最低限度的工作示例，以使用它来设计自己的系统。 考虑到快速原型制作，我们提倡两次利用Pytorc

这封信开发了一种快速的迭代收缩阈值算法，可以有效解决欠采样相位检索中的问题。 首先，使用梯度框架和近端正则化理论，将欠采样的相位检索问题公式化为一种最小化绝对最小收缩和选择算子形式，其中（ℓ2 +ℓ1）范数最小稀疏信号。 通过最小化技术（G-PRIME）的基于梯度的相位检索被用于解决原始问题的二次逼近问题，但是该问题的收敛速度很慢。 然后，推导了G-PRIME算法的扩展，以进一步加快收敛速度​​，其中选择附加迭代，但计算复杂性略有增加。 实验结果表明，该算法在收敛速度方面优于最新技术。