Imagerie holographique claire dans des environnements turbulents.

30 octobre 2023

Cet article a été examiné selon le processus éditorial et les politiques de Science X. Les éditeurs ont mis en évidence les attributs suivants tout en garantissant la crédibilité du contenu :

• vérification des faits
• publication évaluée par les pairs
• source fiable
• relecture

par SPIE

L'imagerie holographique a toujours été confrontée à des distorsions imprévisibles dans des environnements dynamiques. Les méthodes d'apprentissage profond traditionnelles ont souvent du mal à s'adapter à des scènes diverses en raison de leur dépendance à des conditions de données spécifiques.

Pour résoudre ce problème, des chercheurs de l'Université de Zhejiang ont exploré l'intersection de l'optique et de l'apprentissage profond, mettant en évidence le rôle clé des préalables physiques pour assurer l'alignement des données et des modèles préentraînés.

Ils ont étudié l'impact de la cohérence spatiale et de la turbulence sur l'imagerie holographique et ont proposé une méthode novatrice, TWC-Swin, pour restaurer des images holographiques de haute qualité en présence de ces perturbations. Leur recherche, intitulée "Harnessing the magic of light: spatial coherence instructed swin transformer for universal holographic imaging", est publiée dans le journal Advanced Photonics.

La cohérence spatiale est une mesure de la manière dont les ondes lumineuses se comportent de manière ordonnée. Lorsque les ondes lumineuses sont chaotiques, les images holographiques deviennent floues et bruyantes, car elles contiennent moins d'informations. Maintenir la cohérence spatiale est essentiel pour une imagerie holographique claire.

Les environnements dynamiques, tels que ceux avec une turbulence océanique ou atmosphérique, introduisent des variations de l'indice de réfraction du milieu. Cela perturbe la corrélation de phase des ondes lumineuses et déforme la cohérence spatiale. Par conséquent, l'image holographique peut devenir floue, déformée, voire perdue.

Les chercheurs de l'Université de Zhejiang ont développé la méthode TWC-Swin pour relever ces défis. TWC-Swin, abrégé de "train-with-coherence swin transformer", utilise la cohérence spatiale comme préalable physique pour guider l'apprentissage d'un réseau neuronal profond. Ce réseau, basé sur l'architecture du transformateur Swin, excelle dans la capture des caractéristiques d'image locales et globales.

Pour tester leur méthode, les auteurs ont conçu un système de traitement de la lumière qui produisait des images holographiques avec différentes conditions de cohérence spatiale et de turbulence. Ces hologrammes étaient basés sur des objets naturels, servant de données d'entraînement et de test pour le réseau neuronal.

Les résultats démontrent que TWC-Swin restaure efficacement les images holographiques même en cas de faible cohérence spatiale et de turbulence arbitraire, surpassant les méthodes basées sur les réseaux de convolution traditionnels. De plus, la méthode présente apparemment de fortes capacités de généralisation, ce qui étend son application à des scènes non vues qui ne font pas partie des données d'entraînement.

Cette recherche ouvre de nouvelles perspectives pour lutter contre la dégradation de l'image dans l'imagerie holographique dans des scènes diverses. En intégrant des principes physiques dans l'apprentissage profond, l'étude met en lumière une synergie réussie entre l'optique et l'informatique. À mesure que l'avenir se dévoile, ce travail ouvre la voie à une amélioration de l'imagerie holographique, nous permettant de voir clairement à travers la turbulence.

Informations sur le journal : Advanced Photonics

Fourni par SPIE