Klare holografische Bildgebung in turbulenten Umgebungen

Die holografische Bildgebung war schon immer mit unvorhersehbaren Verzerrungen in dynamischen Umgebungen konfrontiert. Herkömmliche Deep-Learning-Methoden haben oft Schwierigkeiten, sich an unterschiedliche Szenen anzupassen, da sie auf bestimmte Datenbedingungen angewiesen sind.

Um dieses Problem anzugehen, untersuchten Forscher der Zhejiang-Universität die Schnittstelle zwischen Optik und Deep Learning und deckten die Schlüsselrolle physischer Prioritäten bei der Sicherstellung der Ausrichtung von Daten und vorab trainierten Modellen auf.

Sie untersuchten die Auswirkungen räumlicher Kohärenz und Turbulenzen auf die holografische Bildgebung und schlugen eine innovative Methode, TWC-Swin, vor, um qualitativ hochwertige holografische Bilder bei Vorhandensein dieser Störungen wiederherzustellen. Über ihre Forschung mit dem Titel „Die Magie des Lichts nutzen: Raumkohärenz-gesteuerter Swin-Transformator für universelle holographische Bildgebung“ wird in der Zeitschrift berichtet Fortgeschrittene Photonik.

Die räumliche Kohärenz ist ein Maß dafür, wie sich Lichtwellen geordnet verhalten. Wenn Lichtwellen chaotisch sind, werden holografische Bilder verschwommen und verrauscht, da sie weniger Informationen enthalten. Die Aufrechterhaltung der räumlichen Kohärenz ist für eine klare holographische Bildgebung von entscheidender Bedeutung.

Dynamische Umgebungen wie solche mit ozeanischen oder atmosphärischen Turbulenzen führen zu Schwankungen im Brechungsindex des Mediums. Dadurch wird die Phasenkorrelation von Lichtwellen gestört und die räumliche Kohärenz verzerrt. Infolgedessen kann das holografische Bild unscharf werden, verzerrt werden oder sogar verloren gehen.

Forscher der Universität Zhejiang haben die TWC-Swin-Methode entwickelt, um diese Herausforderungen anzugehen. TWC-Swin, kurz für „Train-with-Coherence-Swin-Transformator“, nutzt räumliche Kohärenz als physikalische Vorstufe, um das Training eines tiefen neuronalen Netzwerks zu steuern. Dieses auf der Swin-Transformator-Architektur basierende Netzwerk zeichnet sich durch die Erfassung sowohl lokaler als auch globaler Bildmerkmale aus.

Um ihre Methode zu testen, entwickelten die Autoren ein Lichtverarbeitungssystem, das holografische Bilder mit unterschiedlichen räumlichen Kohärenz- und Turbulenzbedingungen erzeugte. 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 willkürlichen Turbulenzen effektiv wiederherstellt und damit herkömmliche, auf Faltungsnetzwerken basierende Methoden übertrifft. Darüber hinaus weist die Methode Berichten zufolge starke Generalisierungsfähigkeiten auf und erweitert ihre Anwendung auf unsichtbare Szenen, die nicht in den Trainingsdaten enthalten sind.

Diese Forschung geht neue Wege bei der Bekämpfung der Bildverschlechterung in der holographischen Bildgebung in verschiedenen Szenen. Durch die Integration physikalischer Prinzipien in Deep Learning wirft die Studie Licht auf eine erfolgreiche Synergie zwischen Optik und Informatik. Im weiteren Verlauf der Zukunft ebnet diese Arbeit den Weg für eine verbesserte holographische Bildgebung und ermöglicht es uns, durch die Turbulenzen hindurch klar zu sehen.