基于偏振的深度学习,用于在度条件下进行3D整体成像恢复

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
• 机器学习 机器学习

背景情况:

• 极度对称成像捕获光极化信息,对于理解材料特性和环境条件至关重要.
• 在的介质中散射,衰减和遮蔽等降解严重损害极度度图像质量.
• 恢复准确的极度测量数据 (斯托克斯参数,线性极化程度) 对于可靠的分析至关重要.

研究的目的:

• 开发和评估一种新的极度度图像恢复方法,使用偏振信息深度学习和3D整体成像.
• 为了恢复退化的斯托克斯参数和线性极化程度.
• 估计用于表征传输介质和物体的穆勒矩阵.

主要方法:

• 使用无监督的图像到图像翻译 (UNIT) 框架进行Stokes参数恢复.
• 使用多输出卷积神经网络 (CNN) 进行穆勒矩阵估计.
• 集成的3D整体成像,以减轻模糊介质中的退化.
• 在不同度和部分封闭条件下评估性能.

主要成果:

• 提出的方法成功地从退化图像中恢复了斯托克斯参数和线性极化程度.
• 穆勒矩阵估计提供了对传输介质和对象特征的洞察.
• 3D整体成像在减少度诱导的退化方面表现出有效性.
• 实验结果证实了该方法在各种环境退化条件下的承诺.

结论:

• 开发的两极化信息深度学习方法显示了在退化环境中对极度图像恢复的重大前景.
• 这项工作代表了基于偏振的深度学习在3D成像中的首次应用,用于恢复偏振信息和穆勒矩阵估计.
• 该方法为需要在具有挑战性的条件下进行准确的极度测量分析的应用提供了强大的解决方案.