通过高度复杂的散射介质和物理增强的未经训练的神经网络进行高质量的幽灵成像

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:

• 通过散射介质进行光学成像受到扭曲的照明和检测路径的阻碍.
• 由于复杂的散射环境中的动态缩放因素,幽灵成像 (GI) 的性能下降.

研究的目的:

• 通过复杂的散射介质在光学成像中开发一种新的高质量物体重建方法.
• 为了克服由照明和检测路径的同时干扰引起的幽灵成像的局限性.

主要方法:

• 使用了与幽灵成像 (GI) 模型集成的物理增强的未经训练的神经网络 (UNN).
• 使用旋转的磨砂玻璃扩散器和可变度的液体室来产生复杂的散射.
• 记录了斑点图案和单个像素强度,UNN估计了动态缩放因子.

主要成果:

• 尽管有复杂和动态的散射,但实现了强大和高质量的对象重建.
• 在照明和检测路径中对光束扭曲进行了有效的补偿.
• 验证了物理增强的UNN对准测量的能力,以实现可靠的重建.

结论:

• 拟议的物理增强的UNN方法通过同时扰乱的散射介质实现了强大的光学成像.
• 这种方法为克服各种复杂场景中的光学散射挑战提供了有希望的解决方案.
• 在杂和动态环境中为先进的成像技术开辟了新的途径.