Dyb læring forlænger billeddybden og fremskynder genopbygning af hologrammer

Dyb læring, der bruger kunstige neurale netværk i flere lag, er en form for maskinlæring, der har vist betydelige fremskridt på mange områder, herunder behandling af naturligt sprog, billed-/videomærkning og billedtekst. I billedbehandling, dyb læring viser et betydeligt potentiale for automatiseret identifikation og mærkning af interessefunktioner, såsom unormale områder i et medicinsk billede.

UCLA -forskere har demonstreret en innovativ anvendelse af dyb læring for væsentligt at udvide billeddybden af ​​et hologram. I holografi, billedrekonstruktion kræver udførelse af autofokusering og fasegendannelse, som generelt er besværlige og tidskrævende at udføre over en stor prøvevolumen. I en nylig artikel offentliggjort i Optica , et tidsskrift for Optical Society of America, UCLA-forskere har demonstreret en ny tilgang, som de kaldte HIDEF, baseret på et foldet neuralt netværk, der samtidigt udfører autofokusering og fasegendannelse for betydeligt at udvide billeddybdeskarpheden og rekonstruktionshastigheden i holografi.

Denne forskning blev ledet af Dr. Aydogan Ozcan, kanslerens professor i elektrisk og computerteknik ved UCLA og en HHMI -professor ved Howard Hughes Medical Institute, sammen med Yichen Wu, en kandidatstuderende, og Dr. Yair Rivenson, en postdoktor, både på UCLA elektriske og computertekniske afdeling.

Forfatterne validerede denne dybe læringsbaserede tilgang ved med succes at rekonstruere hologrammer af aerosoler og humane vævsprøver. Samlet set, denne fremgangsmåde øger beregningseffektiviteten og genopbygningshastigheden for højopløselig holografisk billeddannelse markant ved samtidig at udføre autofokusering og fasegenopretning, hvilket også øger robustheden af ​​billedrekonstruktionsprocessen til potentielle fejljusteringer i den optiske opsætning ved at udvide dybden af ​​de rekonstruerede billeder.

"Deep learning er mystisk kraftfuld og har overrasket optikforskere i, hvad det kan opnå for at fremme optisk mikroskopi, og indførelse af nye billedrekonstruktionsmetoder. Fra fysikinspirerede optiske designs/enheder, vi bevæger os mod datadrevne designs, der holistisk vil ændre både optisk hardware og software fra næste generations mikroskopi, blander de to på nye måder, "tilføjede Ozcan.

Andre medlemmer af forskerholdet var Yibo Zhang, Zhensong Wei, Harun Günaydin og Xing Lin, medlemmer af Ozcan Research Lab ved UCLA.