通过空间调制极度度量测,通过低光场的深度学习,对斯托克斯向量的高精度重建

科学领域:

• 光学和光子学 在光学和光子学.
• 计算成像技术的成像
• 机器学习应用 机器学习应用

背景情况:

• 极化测量在低信号噪声比 (SNR) 应用中至关重要,例如遥感和生物组织检测.
• 空间调节的极度计通过将光子分布映射到极化,使实时测量成为可能.
• 在低光条件下,背景噪声显著挑战精确的偏振状态测量.

研究的目的:

• 开发一种基于深度学习的方法,用于在弱光场中高精度的极化信息重建.
• 解决现有方法在低光偏振测量过程中处理背景噪声方面的局限性.

主要方法:

• 一个增强的双层深卷积神经网络 (CNN) 旨在提取全球和本地噪声特征.
• 提取的噪声特征的融合和处理能够准确地重建光子空间分布.
• 该方法的重点是通过减轻噪声干扰来提高偏振信息的准确性.

主要成果:

• 实验结果显示出极好的准确性,最大平均绝对测量误差低于0.04.
• 该方法有效地在各种低光水平下重建Stokes向量,而无需修改模型.
• 在弱光领域的高性能表明,拟议的深度学习方法的稳定性和可靠性.

结论:

• 拟议的深度学习方法在低光场景中显著提高了极化信息重建的准确性.
• 该方法提供实用性和简单性,在不同的低光条件下表现出强的性能.
• 这种技术有可能在具有挑战性的环境中推进实时偏振测量.