Modelado de dependencias globales mejorado con gráficos para la recuperación compleja del frente de onda. | JoVE Visualize

Área de la Ciencia:

Óptica y Fotónica.
La inteligencia artificial es inteligencia artificial.
Imágenes computacionales de imágenes.

Sus antecedentes:

Las redes neuronales convolucionales (CNN) son el estándar para la recuperación compleja del frente de onda (CWR).
Los campos receptivos locales de las CNNs limitan su capacidad para modelar las dependencias globales en los datos del frente de onda, causando problemas de rendimiento.
Los métodos existentes luchan con la captura de correlaciones de largo alcance cruciales para una reconstrucción precisa del frente de onda.

Objetivo del estudio:

Introducir una nueva red neuronal mejorada con gráficos (GENet) para mejorar el CWR.
Para abordar las limitaciones de las CNNs en el modelado de las dependencias globales del frente de onda.
Mejorar la capacidad de representación de las redes neuronales para los datos del frente de onda.

Principales métodos:

La integración de la convolución de gráficos con una columna vertebral de CNN para crear GENet.
Empleando un diseño consciente de la topología que aprovecha las características físicas de los datos del frente de onda.
Permitir que el mensaje pase a través de regiones no locales, semánticamente relevantes para una extracción de características mejorada.

Principales resultados:

GENet tiene un rendimiento significativamente superior a los métodos tradicionales basados en GS (Gerchberg-Saxton) y CNN.
Se logró una amplitud SSIM de 0,78 y una fase RMSE de 0,52 radianes en un caso de prueba representativo.
Se ha demostrado una amplitud superior y una precisión de reconstrucción de fase en comparación con GS (0.22/1.15) e IPMnet (0.42/1.08).

Conclusiones:

GENet ofrece una solución robusta y de alta precisión para la recuperación compleja del frente de onda.
El enfoque mejorado con gráficos modela con eficacia las dependencias globales en los datos de frente de onda.
GENet muestra un potencial significativo para aplicaciones prácticas que requieren una reconstrucción precisa del frente de onda.