基于深度学习的多模光纤成像多个对象,具有不同的空间连贯性和不同的极化

科学领域:

• 光学和光子学 在光学和光子学.
• 机器学习 机器学习
• 图像重建 图像的重建

背景情况:

• 通过多模光纤 (MMF) 用连贯激光照明单个物体,导致丢失的物体信息斑纹图案.
• 深度学习方法已经在从斑点图案的高保真图像重建方面取得了成功.
• 从复杂的光学系统中重建图像,如MMF,仍然是一个挑战.

研究的目的:

• 开发一种深度学习模型,能够从单个斑点图案中重建两个对象的图像.
• 为了研究模型在不同的空间连贯性和照明激光的极化条件下的性能.
• 在涉及多个对象和平面的更一般的场景中评估图像重建的可行性.

主要方法:

• 一个新的神经网络,TDUNet (两个解码器-UNet),被设计和训练用于图像重建.
• 这项研究涉及在不同的平面上照亮两个物体,使用不同空间连贯度和直角偏振的激光.
• 光线通过多模纤维,在远端产生斑点图案,然后用于重建.

主要成果:

• 经过训练的TDUNet成功地从单个斑点图案中重建了高质量的图像.
• 该模型展示了两个对象的高保真重建,即使照明激光具有较低的空间连贯性.
• 实验结果表明,与第二个相比,第一层对象的重建性能略有改善.

结论:

• TDUNet有效地从多模纤维产生的复杂的斑点图案中重建多个对象的图像.
• 开发的深度学习方法克服了用于图像重建的激光照明中空间连贯性低的局限性.
• 这项工作推动了利用人工智能进行光学图像重建的领域,特别是在具有挑战性的场景中.