概括
本研究介绍了一种光电子深度学习方法 (OP-FCNN),用于通过散射介质高效的成像. 这种方法显著降低了计算复杂性,同时保持了高成像性能,为全光学系统铺平了道路.
科学领域:
- 计算成像技术的成像
- 光电学是指光电子产品.
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 通过散射介质进行成像是一个具有挑战性的反向问题.
- 深度学习 (DL) 方法改善了斑点重建,但需要大量的计算资源.
- 现有的DL方法用于散射介质成像是计算密集型和耗能.
研究的目的:
- 开发一种低复杂度的光电子深度学习方法,用于通过散射介质进行成像.
- 设计一个"端到端"的光学结构,用于斑点重建.
- 为了减少基于DL的斑点重建的计算复杂性.
主要方法:
- 设计了一个光学完全卷积神经网络 (OP-FCNN),集成像镜头组和空间光调节器这样的光学组件.
- 使用光学元件实现卷积,下/上采样和跳过连接,以最大限度地减少数字计算.
- 通过随机扩散器验证了OP-FCNN使用各种数据集,包括MNIST,EMNIST,时尚MNIST和MIT-CBCL-face.
主要成果:
- 与数字卷积神经网络 (CNN) 相比,计算复杂度降低了两级.
- 证明了计算效率和成像性能之间的平衡.
- 在四个数据集中获得的平均成像性能指标:0.84 (JI),0.91 (PCC),0.79 (SSIM) 和16.3dB (PSNR).
结论:
- 该OP-FCNN提供了一个计算效率高的解决方案,用于通过散射介质成像.
- 可重新配置和可扩展的光电子设计支持改进的成像和适应复杂数据集的适应性.
- 这项工作推进了用于分散介质成像的全光学系统.
