Solución al problema del corte mediante difusión guiada. | JoVE Visualize

Área de la Ciencia:

Metrología óptica de la metrología óptica.
Imágenes computacionales de imágenes.
La detección del frente de onda.

Sus antecedentes:

La reconstrucción del frente de onda a partir de la interferometría de cizallamiento lateral (LSI) es un problema inverso mal planteado.
Los métodos existentes a menudo requieren múltiples mediciones o se basan en supuestos potencialmente sesgados.
La sensibilidad al ruido y la pérdida de información son desafíos significativos en LSI.

Objetivo del estudio:

Introducir un nuevo marco, los modelos de difusión guiados por pseudoinverso (Pseudo-Inverse-Guided Diffusion Models, PGDM), para la reconstrucción del frente de onda.
Aprovechar un modelo de difusión pre-entrenado como una prioridad basada en datos para mejorar la reconstrucción.
Abordar las limitaciones de las técnicas convencionales de LSI al permitir la reconstrucción de alta fidelidad a partir de un solo shearograma.

Principales métodos:

Integración de la física de LSI utilizando la guía de producto Vector-Jacobiana dentro de un marco de modelo de difusión.
Utilizando un modelo de difusión incondicional pre-entrenado como un robusto previo.
Comparación con la integración zonal clásica, Fourier, la regularización de Tikhonov y los métodos de aprendizaje profundo supervisado.

Principales resultados:

El ΠGDM demuestra una fidelidad superior y una robustez de ruido en comparación con los métodos de referencia tanto en simulaciones como en validación experimental.
El marco recupera con éxito las frecuencias espaciales perdidas al tiempo que garantiza la consistencia de la medición.
Logra una metrología de alta precisión a partir de un solo shearograma, una mejora significativa con respecto a los enfoques tradicionales.

Conclusiones:

ΠGDM presenta un enfoque novedoso y efectivo para la reconstrucción del frente de onda en LSI.
Ofrece una alternativa versátil y de cero disparos a los métodos de aprendizaje supervisado, eliminando la necesidad de capacitación específica para tareas.
El método mejora la precisión y la robustez de la metrología, superando los desafíos clave en LSI.