Klare holografische Bildgebung in turbulenten Umgebungen

30. Oktober 2023
Dieser Artikel wurde gemäß dem Redaktionsprozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Merkmale hervorgehoben und dabei die Glaubwürdigkeit des Inhalts sichergestellt:
- faktengesichert
- peer-reviewed Veröffentlichung
- vertrauenswürdige Quelle
- korrekturgelesen
von SPIE
Die holografische Bildgebung wurde immer wieder herausgefordert durch unvorhersehbare Verzerrungen in dynamischen Umgebungen. Traditionelle Deep-Learning-Methoden haben oft Schwierigkeiten, sich an verschiedene Szenen anzupassen, aufgrund ihrer Abhängigkeit von spezifischen Datenbedingungen.
Um dieses Problem zu lösen, haben Forscher an der Zhejiang University die Schnittstelle von Optik und Deep Learning untersucht und die Schlüsselrolle von physikalischen Voraussetzungen zur Gewährleistung der Übereinstimmung von Daten und vortrainierten Modellen aufgedeckt.
Sie haben die Auswirkungen von räumlicher Kohärenz und Turbulenz auf die holografische Bildgebung untersucht und eine innovative Methode namens TWC-Swin entwickelt, um hochwertige holografische Bilder in Gegenwart dieser Störungen wiederherzustellen. Ihre Forschung mit dem Titel "Harnessing the magic of light: spatial coherence instructed swin transformer for universal holographic imaging" wurde im Journal Advanced Photonics veröffentlicht.
Räumliche Kohärenz ist ein Maß dafür, wie geordnet Lichtwellen sich verhalten. Wenn Lichtwellen chaotisch sind, werden holografische Bilder unscharf und verrauscht, da sie weniger Informationen tragen. Die Aufrechterhaltung der räumlichen Kohärenz ist entscheidend für eine klare holografische Bildgebung.
Dynamische Umgebungen, wie solche mit ozeanischer oder atmosphärischer Turbulenz, führen zu Variationen des Brechungsindex des Mediums. Dies stört die Phasenkorrelation von Lichtwellen und verzerrt die räumliche Kohärenz. Folglich können holografische Bilder unscharf, verzerrt oder sogar verloren gehen.
Forscher an der Zhejiang University haben die Methode TWC-Swin entwickelt, um diese Herausforderungen anzugehen. TWC-Swin, abgekürzt für "train-with-coherence swin transformer", nutzt die räumliche Kohärenz als physikalische Prämisse zur Anleitung des Trainings eines tiefen neuronalen Netzwerks. Dieses Netzwerk, basierend auf der Swin-Transformer-Architektur, ist in der Lage, sowohl lokale als auch globale Bildmerkmale zu erfassen.
Um ihre Methode zu testen, haben die Autoren ein Lichtverarbeitungssystem entworfen, das holografische Bilder mit unterschiedlicher räumlicher Kohärenz und Turbulenzbedingungen erzeugt. Diese Hologramme basierten auf natürlichen Objekten und dienten als Trainings- und Testdaten für das neuronale Netzwerk.
Die Ergebnisse zeigen, dass TWC-Swin holografische Bilder auch bei geringer räumlicher Kohärenz und beliebiger Turbulenz effektiv wiederherstellt und herkömmliche auf faltenden Netzwerken basierende Methoden übertrifft. Darüber hinaus zeigt die Methode angeblich starke Verallgemeinerungsfähigkeiten und ermöglicht ihre Anwendung auf nicht im Trainingsdatensatz enthaltene Szenen.
Diese Forschung bricht neues Terrain bei der Bewältigung von Bildverschlechterungen in der holografischen Bildgebung in verschiedenen Szenen. Durch die Integration von physikalischen Prinzipien in das Deep Learning beleuchtet die Studie eine erfolgreiche Synergie zwischen Optik und Informatik. Mit Blick auf die Zukunft ebnet diese Arbeit den Weg für verbesserte holografische Bildgebung und ermöglicht uns, trotz Turbulenzen klar zu sehen.
Journal Information: Advanced Photonics
Bereitgestellt von SPIE