概括
这项研究介绍了一个深度神经网络,可以从单强度图像中检索偏振信息,简化成像系统. 该方法在散射环境中准确地恢复了极化程度 (DoP) 和极化角度 (AoP).
科学领域:
- 光学和光子学 在光学和光子学.
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 极化信息对于在散射环境中对象细节的恢复至关重要.
- 目前的方法需要专门的成像系统,限制了可访问性和增加了复杂性.
研究的目的:
- 开发一种简化的成像方法来提取偏振信息.
- 为了减少极化成像中的计算复杂性.
主要方法:
- 使用了一个集成变压器和U-Net架构的深度神经网络.
- 该网络使用多级特征提取,跳过连接和多头自我注意机制 (MHSA).
- 该方法处理来自传统相机的单强度图像.
主要成果:
- 深度神经网络成功地从单点强度图像中检索出极化信息 (DoP和AoP).
- 这种方法在等号相似性方面达到98%的准确性.
- 在密集的散射介质中表现出强大的性能.
结论:
- 提出了一种基于深度学习的新,简化的方法,用于分散环境中的极化成像.
- 该技术消除了对专门成像系统的需求.
- 这为先进的成像应用提供了有前途的解决方案.


