湍流环境中的清晰全息成像

​TWC-Swin 方法利用空间相干性作为物理先验来指导深度神经网络的训练，能够出色地捕捉局部和全局图像特征，并消除任意湍流造成的图像质量下降。来源：X. Tong 等人，doi 10.1117/1.AP.5.6.066003。

全息成像一直受到动态环境中不可预测的失真问题的挑战。传统的深度学习方法由于依赖于特定的数据条件，往往难以适应各种场景。

为了解决这个问题，浙江大学的研究人员深入研究了光学和深度学习的交叉点，发现了物理先验在确保数据和预训练模型一致方面的关键作用。

他们探索了空间相干性和湍流对全息成像的影响，并提出了一种创新方法--TWC-Swin，用于在存在这些干扰的情况下恢复高质量的全息图像。他们的研究报告发表在《先进光子学》（Advanced Photonics）杂志上，题目是 "利用光的魔力：空间相干性指导斯温变压器实现通用全息成像"。

空间相干性是衡量光波行为有序性的标准。当光波混乱时，全息图像会变得模糊和嘈杂，因为它们携带的信息较少。保持空间一致性对于清晰的全息成像至关重要。

海洋或大气湍流等动态环境会引起介质折射率的变化。这会破坏光波的相位相关性，扭曲空间相干性。因此，全息图像可能会变得模糊、扭曲甚至丢失。

对不同强度的海洋和大气湍流的性能进行定性分析。以相干性作为物理先验信息训练的网络能有效克服海洋和大气湍流对成像的影响，提高图像质量。来源：X. Tong 等人，doi 10.1117/1.AP.5.6.066003。

浙江大学的研究人员开发了 TWC-Swin 方法来应对这些挑战。TWC-Swin是 "Train-with-coherence Swin transformer "的缩写，它利用空间一致性作为物理先验，指导深度神经网络的训练。该网络基于斯温变换器架构，擅长捕捉局部和全局图像特征。

为了测试他们的方法，作者设计了一个光处理系统，该系统能生成具有不同空间相干性和湍流条件的全息图像。这些全息图像以自然物体为基础，作为神经网络的训练和测试数据。

结果表明，即使在低空间相干性和任意湍流条件下，TWC-Swin 也能有效还原全息图像，超越了基于卷积网络的传统方法。此外，据报道，该方法具有很强的泛化能力，可将其应用扩展到训练数据中未包含的未知场景。

这项研究为解决不同场景下全息成像中的图像劣化问题开辟了新天地。通过将物理原理融入深度学习，该研究揭示了光学与计算机科学之间的成功协同。随着未来的发展，这项工作将为增强全息成像铺平道路，让我们能够透过湍流看清世界。

参考资料

Xin Tong et al, Harnessing the magic of light: spatial coherence instructed swin transformer for universal holographic imaging, Advanced Photonics (2023). DOI: 10.1117/1.AP.5.6.066003

本文由光电查搜集整理，未经同行评议，请自行判断可信度。仅供学习使用。