Imaging olografica chiara in ambienti turbolenti

30 ottobre 2023

Questo articolo è stato revisionato secondo il processo editoriale e le politiche di Science X. Gli editori hanno evidenziato i seguenti attributi nel garantire la credibilità del contenuto:

• verificato sui fatti
• pubblicazione sottoposta a revisione paritaria
• fonte affidabile
• corretto

da SPIE

L'imaging olografico è sempre stato sfidato dalle distorsioni imprevedibili in ambienti dinamici. I metodi tradizionali di deep learning spesso faticano ad adattarsi a scene diverse a causa della loro dipendenza da condizioni specifiche dei dati. 

Per affrontare questo problema, i ricercatori della Zhejiang University si sono addentrati nell'incrocio tra ottica e deep learning, scoprendo il ruolo chiave delle premesse fisiche nell'assicurare l'allineamento dei dati e dei modelli pre-addestrati.

Hanno esplorato l'impatto della coerenza spaziale e della turbolenza sull'imaging olografico e hanno proposto un metodo innovativo, TWC-Swin, per ripristinare immagini olografiche di alta qualità in presenza di queste perturbazioni. La loro ricerca, intitolata 'Harnessing the magic of light: spatial coherence instructed swin transformer for universal holographic imaging', è riportata nella rivista Advanced Photonics.

La coerenza spaziale è una misura di come si comportano ordinatamente le onde luminose. Quando le onde luminose sono caotiche, le immagini olografiche diventano sfocate e rumorose, in quanto trasportano meno informazioni. Mantenere la coerenza spaziale è fondamentale per un'immagine olografica chiara.

Gli ambienti dinamici, come quelli con turbolenza oceanica o atmosferica, introducono variazioni nell'indice di rifrazione del mezzo. Questo disturba la correlazione di fase delle onde luminose e distorce la coerenza spaziale. Di conseguenza, l'immagine olografica può diventare sfocata, distorta o persino persa.

I ricercatori della Zhejiang University hanno sviluppato il metodo TWC-Swin per affrontare queste sfide. TWC-Swin, abbreviazione di 'train-with-coherence swin transformer', sfrutta la coerenza spaziale come premessa fisica per guidare l'addestramento di una rete neurale profonda. Questa rete, basata sull'architettura del Swin transformer, eccelle nel catturare sia le caratteristiche locali che globali dell'immagine.

Per testare il loro metodo, gli autori hanno progettato un sistema di elaborazione della luce che produce immagini olografiche con diverse condizioni di coerenza spaziale e turbolenza. Questi ologrammi erano basati su oggetti naturali, servendo come dati di addestramento e di test per la rete neurale.

I risultati dimostrano che TWC-Swin ripristina efficacemente le immagini olografiche anche in presenza di bassa coerenza spaziale e turbolenza arbitraria, superando i metodi tradizionali basati sulla rete convoluzionale. Inoltre, il metodo mostra una forte capacità di generalizzazione, estendendo la sua applicazione a scene non incluse nei dati di addestramento.

Questa ricerca apre nuovi orizzonti per affrontare il degrado dell'immagine nell'imaging olografico in scene diverse. Integrando i principi fisici nel deep learning, lo studio getta luce su una sinergia di successo tra ottica e informatica. Con lo sviluppo futuro, questo lavoro apre la strada a un miglioramento dell'imaging olografico, permettendoci di vedere chiaramente attraverso la turbolenza.

Informazioni sulla rivista: Advanced Photonics

Fornito da: SPIE