Imágenes holográficas claras en entornos turbulentos.
30 de octubre de 2023
Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han destacado los siguientes atributos al tiempo que aseguran la credibilidad del contenido:
- verificación de hechos
- publicación revisada por pares
- fuente confiable
- corrección de pruebas
por SPIE
La imagen holográfica siempre ha enfrentado desafíos debido a las distorsiones impredecibles en entornos dinámicos. Los métodos tradicionales de aprendizaje profundo a menudo tienen dificultades para adaptarse a escenas diversas debido a su dependencia de condiciones de datos específicas.
Para abordar este problema, los investigadores de la Universidad de Zhejiang exploraron la intersección de la óptica y el aprendizaje profundo, descubriendo el papel clave de los conocimientos previos físicos para garantizar la alineación de datos y modelos preentrenados.
Exploraron el impacto de la coherencia espacial y la turbulencia en la imagen holográfica y propusieron un método innovador, TWC-Swin, para restaurar imágenes holográficas de alta calidad en presencia de estas perturbaciones. Su investigación, titulada 'Aprovechando la magia de la luz: transformador Swin enseñado por coherencia espacial para imágenes holográficas universales', se informa en la revista Advanced Photonics.
La coherencia espacial es una medida de cómo se comportan ordenadamente las ondas de luz. Cuando las ondas de luz son caóticas, las imágenes holográficas se vuelven borrosas y ruidosas, ya que llevan menos información. Mantener la coherencia espacial es crucial para una imagen holográfica clara.
Los entornos dinámicos, como aquellos con turbulencia oceánica o atmosférica, introducen variaciones en el índice de refracción del medio. Esto interrumpe la correlación de fase de las ondas de luz y distorsiona la coherencia espacial. Como consecuencia, la imagen holográfica puede volverse borrosa, distorsionada o incluso perderse.
Los investigadores de la Universidad de Zhejiang desarrollaron el método TWC-Swin para abordar estos desafíos. TWC-Swin, abreviatura de 'transformador Swin entrenado con coherencia', aprovecha la coherencia espacial como un conocimiento previo físico para guiar el entrenamiento de una red neuronal profunda. Esta red, basada en la arquitectura del transformador Swin, se destaca en la captura de rasgos de imagen locales y globales.
Para probar su método, los autores diseñaron un sistema de procesamiento de luz que produjo imágenes holográficas con diferentes condiciones de coherencia espacial y turbulencia. Estos hologramas se basaron en objetos naturales, sirviendo como datos de entrenamiento y prueba para la red neuronal.
Los resultados demuestran que TWC-Swin restaura de manera efectiva imágenes holográficas incluso bajo baja coherencia espacial y turbulencia arbitraria, superando a los métodos tradicionales basados en redes convolucionales. Además, según se informa, el método muestra fuertes capacidades de generalización, extendiendo su aplicación a escenas no vistas que no se incluyeron en los datos de entrenamiento.
Esta investigación rompe nuevos paradigmas al abordar la degradación de imágenes en la imagen holográfica en diversas escenas. Al integrar principios físicos en el aprendizaje profundo, el estudio arroja luz sobre una sinergia exitosa entre la óptica y la ciencia de la computación. A medida que avanza el futuro, este trabajo allana el camino para mejorar la imagen holográfica, dándonos la capacidad de ver claramente a través de la turbulencia.
Información de la revista: Advanced Photonics
Provisto por: SPIE
