2

fa پردازش تصویر برای تحلیل الگوهای تداخل موج در فیزیک: مروری بر روش‌‌های محاسباتی Image Processing for the Analysis of Wave Interference Patterns in Physics: Review of Computational Methodologies تخصصي Special پژوهشي Research تحلیل محاسباتی الگوهای تداخل موج، از فیزیک کوانتومی تا مهندسی سطح، یکی از ارکان اصلی سنجش‌های دقیق در فیزیک و مهندسی محسوب می‌شود. این الگوهای نواری (Fringe Patterns) حاوی اطلاعات فیزیکی حیاتی مانند جابه‌جایی، شکل سطح و ضریب شکست‌اند، اما استخراج فاز دقیق از داده‌های شدت رقومی نویزدار، به توان محاسباتی و روش‌های پیشرفته مهندسی کامپیوتر وابسته است. روش‌های کلاسیک تداخل‌سنجی، به‌ویژه تداخل‌سنجی با جابه‌جایی فاز (PSI) و پروفیل‌سنجی تبدیل فوریه (FTP)، سال‌ها ابزارهای اصلی در بازیابی فاز بوده‌اند، اما با دوگانگی ذاتی بین دقت و سرعت مواجه‌اند: PSI دقت پیکسلی و پایداری بالا دارد اما کند و به حرکت حساس است، در حالی که FTP سریع است ولی بخشی از تفکیک‌پذیری مکانی خود را فدا می‌کند. این مقاله با رویکردی مروری، پژوهش‌های اخیر در زمینه الگوریتم‌های بازیابی فاز دیجیتال و روش‌های بازگشایی فاز (PhU) را از منظر دقت، پایداری، هزینه محاسباتی و تعمیم‌پذیری تحلیل می‌کند. یافته‌ها نشان می‌دهد که یادگیری عمیق (DL) توانسته با رفع تضاد دقت - سرعت، بازیابی فاز تک‌عکس را با کیفیت بالا ممکن سازد و پایداری چشمگیری در برابر نویز فراهم آورد [2, 3, 4] و [7]. نوآوری محوری مقاله، معرفی چارچوب یادگیری عمیق مبتنی بر فیزیک (PI-FPA) است که با ادغام صریح دانش پیشین فیزیکی در معماری شبکه و استفاده از ماژول‌هایی مانند LeFTP، بر ضعف تعمیم‌پذیری مدل‌های صرفاً داده‌محور غلبه کرده است این چارچوب ضمن کاهش نیاز به داده‌های آموزشی عظیم، دقت، پایداری و قابلیت انتقال نتایج را به‌طور قابل توجهی افزایش داده و استاندارد جدیدی برای حسگری محاسباتی دقیق و سریع در فیزیک امواج بنا نهاده است.   constitutes a fundamental pillar of precision measurement in both physics and engineering. These fringe patterns contain essential physical information such as displacement, surface topology, and refractive index. However, accurate phase extraction from noisy digitized intensity data relies heavily on computational power and advanced computer engineering techniques. Classical interferometric approaches, particularly Phase-Shifting Interferometry (PSI) and Fourier Transform Profilometry (FTP), have long served as primary tools for phase retrieval, yet they face an intrinsic trade-off between accuracy and speed: PSI offers pixel-level precision and high stability but is slow and motion-sensitive, whereas FTP enables rapid measurement at the cost of reduced spatial resolution. This review examines recent research on digital phase-retrieval algorithms and phase-unwrapping (PhU) methods from the perspectives of accuracy, robustness, computational cost, and generalizability. Findings indicate that deep learning (DL) has resolved the traditional accuracy–speed dilemma by enabling high-quality single-frame phase retrieval while providing remarkable resilience to noise [7, 4, 3, 2]. The core contribution of this paper is the introduction of a physics-informed deep learning framework (PI-FPA), which explicitly integrates prior physical knowledge into the network architecture and employs modules such as LeFTP to overcome the poor generalization of purely data-driven models .This framework significantly reduces the demand for large training datasets while improving accuracy, stability, and transferability, thereby establishing a new standard for fast and precise computational sensing in wave physics.   پیوند سه‌گانه, استریمینگ سبز, محاسبات امن در حافظه, رمزنگاری هم‌ریخت, اینترنت اشیای چندرسانه‌ای, واترمارک‌گذاری مولد Image Processing, Digital Interferometry, Phase Retrieval, Deep Learning, Physics-Informed Deep Learning, Wave Interference Patterns 32 38 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-52-3&slc_lang=fa&sid=1 Mahdi Mirzaei مهدی میرزائی mahdimirzaei.ir@gmail.com 1003194753284600270 1003194753284600270 Yes alireza mohammadi علیرضا محمدی 1003194753284600271 1003194753284600271 No