利用机器学习技术重建多模光纤传输的图像

在光学协会的高影响研究杂志《光学Optica》中，研究人员报告了一种叫做深度神经网络的机器学习算法，用于从传输到光纤远端的散斑图案识别数字图像。这项工作可以改善医学诊断的内镜成像，提高光纤通信网络承载的信息量，或者增加光纤传输的光功率。 R{3vPG  
~;ZT<eCIA  
“我们使用现代的深度神经网络结构实现光纤中混杂图像的高质量输出，”洛桑瑞士联邦理工学院的Demetri Psaltis说，他与同事Christophe Moser合作领导了这项研究。“我们证明，这对于光纤长达1公里长是可能的，”他补充称，这项工作是一个重要的里程碑。 mQiVTIP3[O  
5+yT{,(5  
3~5%6`  
解码模糊图像 = 3("gScUj  
//
O9}-  
光纤用光传输信息。多模光纤具有比单模光纤大得多的信息承载能力。它们的许多信道称为空间模式，因为它们具有不同的空间形状，可以同时传输不同的信息流。 |Js?@  
Ao}J  
虽然多模光纤非常适合用于承载基于光的信号，但用来发送图像是有问题的。来自图像的光穿过所有通道，而另一端发出的光是人眼无法解码的散斑图案。 3l?-H|T  
<JkmJ/X  
为了解决这个问题，Psaltis和他的团队转向了一个深度神经网络，这是一种机器学习算法，它的功能与大脑的功能相当。深度神经网络可以给计算机识别照片中物体的能力，并有助于改进语音识别系统。输入通过多个人工神经元层进行处理，每个神经元执行小的计算，并将结果传递到下一层。机器通过识别与之相关的输出模式来识别输入。 N |nZf5{  
[e.@Yx_}  
“如果我们想到的是神经网络的起源，那就是我们自己的大脑，这个过程很简单，”Eirini Kakkava解释道，他是这个项目的博士生。“当一个人盯着一个物体时，大脑中的神经元被激活，表示对一个熟悉的物体的识别。我们的大脑可以做到这一点，因为它在我们的生活中用同一种类的物体的图像或信号来训练，这改变了神经元之间的连接强度。为了训练人工神经网络，研究者遵循基本相同的过程，教授网络。识别某些图像（在这种情况下，手写数字），直到它能够识别与以前未见过的训练图像相同的类别的图像。” Hi5}s  
W%,h{  
数字学习 E!SxO~  
3H_%2V6#V1  
为了训练他们的系统，研究人员转向了一个包含20000个手写数字样本的数据库，0到9个。他们选择16000作为训练数据，并保留2000来验证训练，另一个测试验证系统的2000。他们用激光照射每个数字，并把光束通过一个大约有4500个通道的光纤到远端的一个摄像机。计算机测量了输出光在捕获图像上的强度变化，并收集了每个数字的一系列例子。 miv)R  
g$a 5  
虽然为每个数字收集的散斑图案看起来与人眼相同，但是神经网络能够辨别差异并识别与每个数字相关的强度模式。用预留图像进行测试表明，该算法对通过0.1米长光纤传输的图像达到97.6%的准确度，在1公里长的光纤中实现90%的精度。 l+n0=^ Z  
 ~d\>f  
更简单的方法 Sb,lY<=  
@+EO3-X5  
Navid Borhani是一个研究小组成员，他说这种机器学习方法比其他方法重建光纤所需的图像要简单得多，这需要对输出进行全息测量。神经网络还能够应对环境干扰对光纤造成的畸变，例如由气流引起的温度波动或运动，这会给图像增加噪声。 KvtX>3#qM  
iM'rl0  
Psaltis说：“深度神经网络通过多模光纤传输信息的卓越能力，有望有助于像内窥镜检查和通信应用等医疗过程。电信信号常常需要经过许多公里的光纤，并且会遭受失真，这种方法可以纠正。医生可以使用超薄纤维探针来收集人体内的动脉和动脉的图像，而不需要复杂的全息记录仪或担心运动。”Psaltis说，“由于呼吸或循环的轻微运动会扭曲通过多模光纤传输的图像。深度神经网络是处理噪声的一种很有前途的解决方案。” )(`HEl>-9c  
Hs>|-iDs(  
Psaltis和他的团队计划尝试生物样品的技术，看看这是否和阅读手写数字一样有效。他们希望使用不同类别的图像进行一系列的研究，以探讨他们的技术的可能性和局限性。 Z?AX  
F4$N:Jkl  
原文来源：https://phys.org/news/2018-08-machine-technique-reconstructs-images-multimode.html（实验帮译）