Imágenes cuantitativas de fase en tiempo real de pocas tomas basadas en redes ligeras

Área de la Ciencia:

• Óptica y Fotónica.
• La inteligencia artificial es inteligencia artificial.
• Procesamiento de imágenes Procesamiento de imágenes.

Sus antecedentes:

• La imagen de fase cuantitativa (QPI) es vital para el monitoreo ambiental y el análisis de la turbulencia atmosférica.
• Los métodos actuales de aprendizaje profundo QPI luchan con altos costos computacionales y grandes conjuntos de datos, lo que dificulta las aplicaciones en tiempo real.
• El procesamiento a escala de milisegundos es esencial para las demandantes aplicaciones de QPI.

Objetivo del estudio:

• Desarrollar un algoritmo de imágenes de fase cuantitativa en tiempo real de pocos disparos.
• Para superar las limitaciones de la complejidad computacional y los requisitos de datos en los métodos QPI de aprendizaje profundo existentes.
• Para permitir una reconstrucción de fase eficiente y confiable en escenarios de escasez de datos.

Principales métodos:

• Propuso un algoritmo de imágenes de fase cuantitativa en tiempo real de algunas tomas.
• Se introdujo una nueva y ligera arquitectura StarNet para una eficiente extracción de características y expansión dimensional.
• Centrado en reducir la sobrecarga computacional para el procesamiento a escala de milisegundos.

Principales resultados:

• Se logró la reconstrucción de fase a escala de milisegundos por cuadro.
• Demostró un rendimiento efectivo incluso con bajas relaciones señal-ruido.
• Demostró robustez contra diversas perturbaciones de fase aleatorias.
• Validación de la eficiencia del algoritmo en entornos con escasez de datos.

Conclusiones:

• El algoritmo desarrollado reduce significativamente la sobrecarga computacional para el QPI en tiempo real.
• Permite el despliegue práctico de la tecnología QPI en tiempo real.
• Ofrece una solución eficiente y confiable para problemas de imagen inversa multi-cuadro con datos limitados.