在OFC-TS-DFT系统中,以深度学习驱动的超和干涉度信号的恢复为复杂表面的连续3D形态测量
Optics express
|December 19, 2025
概括
我们开发了一个Uformer 1D网络,以改善光学频率 (OFC) 光谱干扰计信号恢复. 这种人工智能模型增强了动态范围,用于精确的3D测量.
科学领域:
- 光学和光子学 在光学和光子学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 光学频率 (OFC) 时间延伸光谱干扰测量的光探测器动态范围限制导致信号过和.
- 准确的3D形态测量需要克服这些动态范围的限制.
研究的目的:
- 设计一个先进的神经网络,用于OFC时间延伸光谱干扰测量的信号恢复.
- 为了提高测量系统的有效动态范围.
- 为了实现实时,高动态范围的3D表面重建.
主要方法:
- 开发Uformer 1D网络,集成U-Net和变压器架构.
- 一个三阶段的培训策略:大规模的模拟预训练,用特定的损失函数对真实数据进行微调,以及自我监督的学习.
- 使用光谱干扰测量和表面重建任务进行实验验证.
主要成果:
- 该Uformer 1D网络实现了大约0.2微米的平均测量误差.
- 平均日志-RMSE值为0.065 (培训) 和0.057 (验证) 得到.
- 有效动态范围从10 dBm扩大到15 dBm.
结论:
- 拟议的Uformer 1D网络有效地恢复信号,并扩展OFC光谱干扰测量的动态范围.
- 该方法可以实现连续的,实时的,高动态范围的3D形态测量.
- 这种方法显示了高级计量应用的巨大潜力.


