自主监督的动态学习,通过不稳定的扩散介质进行长期高保真图像传输
Ziwei Li1,2,3, Wei Zhou4, Zhanhong Zhou4
1School of Information Science and Technology, Fudan University, 200433, Shanghai, China. lizw@fudan.edu.cn.
Nature communications
|February 19, 2024
概括
本研究介绍了一种自我监督的动态学习方法,用于通过不稳定的多模纤维 (MMF) 进行准确的,长期的光场传输. 这种方法克服了通道变化,使可靠的远程成像和高容量的光通信成为可能.
科学领域:
- 光学物理学的光学物理.
- 机器学习 机器学习
- 信息理论是信息理论.
背景情况:
- 多模纤维 (MMF) 允许用于光通信和远程成像的并行数据传输.
- 货币货币基金中的道变化降低了静态传输模型,限制了长期准确性.
- 现有的方法在较长时间内与不稳定的货币市场基金 (MMF) 斗争.
研究的目的:
- 开发一种可靠的方法,通过不稳定的货币货币基金来实现长期,高保真的光场传输.
- 解决动态货币基金道中的静态建模和数据驱动学习的局限性.
- 为了实现可靠的远程成像,并提高光通信系统的容量.
主要方法:
- 一种自我监督的动态学习方法,利用具有长期和短期记忆的多个自适应网络.
- 集成学习将网络输出结合起来,以实现强大的图像恢复.
- 通过1公里MMF传输超过1000秒的演示.
主要成果:
- >99.9%的精度在1公里的MMF中传输1024个空间自由度.
- 长时间 (>1000秒) 的持续高保真传输.
- 启用了高分辨率视频的压缩编码传输,显著提高了吞吐量.
结论:
- 拟议的自我监督的动态学习方法确保了不稳定货币基金的长期,高保真传输.
- 这种方法克服了MMF道的变化,为实际的AI驱动空间传输铺平了道路.
- 在远程成像和光通信能力方面可以取得重大进展.
