无需计算机的计算成像:以光速透过随机扩散器进行观察。学分:加州大学洛杉矶分校工程技术进步研究所通过散射和扩散介质成像已经是一个挑战了几十年，迄今为止已经有许多解决方案被报道。原则上，被随机漫射体(如磨砂玻璃)扭曲的图像可以使用计算机恢复。然而，现有的方法依赖于运行在计算机上的复杂算法和代码，这些算法和代码对扭曲的图像进行数字处理以校正它们。基于自适应光学的方法也被应用于不同的场景，以透过漫射介质进行观察。随着波前成形技术的显著进步，通过混浊介质的宽视场实时成像成为可能。除了数字计算机，它们还需要引导星或已知的参考物体，这给成像系统带来了额外的复杂性。作为另一种替代方法，使用由失真对象及其对应的无失真图像组成的图像对来训练深度神经网络。这种方法教会了d eep神经网络使用计算机重建扭曲的图像。
发表在《电子光线》上的一篇新论文寻求一种全新的范式，通过扩散介质对物体进行成像。加州大学洛杉矶分校的研究人员在他们题为“无需计算机的计算成像:以光速透过随机漫射体观察”的论文中，提出了一种无需任何数字处理就能立即透过随机漫射介质观察的新方法。这种新方法是计算机实现的，可以全光学重建被未知的、随机产生的相位扩散器扭曲的物体图像。
为了实现这一点，他们使用深度学习训练了一组衍射表面或透射层，以光学方式重建随机漫射体后面未知物体的图像。漫射体畸变的输入光场衍射通过连续的训练层，图像重建过程以光传播通过衍射层的速度完成。每个经过训练的衍射表面都有成千上万个衍射特征(称为神经元)，它们共同计算输出端的所需图像。
在训练期间，许多不同的和随机选择的相位扩散器被用来帮助概括光网络。在这种一次性的基于深度学习的设计之后，产生的层被制造并放在一起，以形成位于未知的新漫射体和输出/图像平面之间的物理网络。训练好的网络收集随机漫射体后面的散射光，以全光学方式重建物体的图像。
不需要计算机或数字重建算法来通过未知漫射体成像。此外，除了照亮漫射体后面物体的光之外，这种衍射处理器不使用任何外部电源。
研究团队使用太赫兹波通过实验验证了这种方法的成功。他们用一台3D打印机制造了他们设计的衍射网络，以展示穿透训练中从未使用过的随机生成的相位扩散器的能力。该团队还使用更深的衍射网络和额外制造的层，一层接一层地提高了物体重建质量。
这些被动衍射层实现的全光学图像重建使团队能够通过未知的随机漫射体看到物体。与使用数字计算机的现有基于深度学习或迭代图像重建方法相比，它提供了极低功耗的解决方案。
研究人员认为，他们的方法可以应用于电磁波谱的其他部分，包括可见光和远/中红外波长。报道的概念验证结果代表了一个薄且随机的扩散层。该团队认为，这些潜在的方法可以扩展到透视体积扩散器，如雾。
这种方法能够在通过扩散介质成像至关重要的领域取得重大进展。这些领域包括生物医学成像、天文学、自动驾驶汽车、机器人和国防/安全应用。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
