合肥研究院在中红外Er3+掺杂激光晶体研究方面获进展
具有深度学习网络的多模光纤传输
量子光学走向超表面材料时代
《2018研究前沿》发布
上海高研院在量子相干研究中取得进展
理论物理所在量子色动力学的两圈解析计算研究中取得进展
当AIE遇见OLEDs:材料分子结构调控实现蓝光器件性能提升
大连化物所等在柔性钙钛矿单晶薄片研究中取得进展
基于荧光碳纳米材料的高带宽可见光通讯器件研究取得进展
OLED可集成至纺织品 或将开辟全新应用领域
官方微信
友情链接

上海光机所在计算成像研究方面取得新进展

2018-11-08

2018年9月,上海光机所信息光学与光电子技术实验室成功利用深度学习方法实现数字同轴全息恢复。该项研究提供了一种全新的能够应用于相位检测方面的基于深度学习方法的同轴全息重建方法。相关成果发表在9月3日的Optics Express 期刊上。

数字全息技术在许多科学领域都有着重要应用,而同轴数字全息技术因为能够充分利用相机的空间带宽积而被广泛应用在成像、检测、计量等领域。但由于同轴全息恢复受到了孪生像的限制,需要精确的相移技术、迭代恢复算法等技术对孪生像进行去除。最近,深度学习方法在计算成像领域方兴未艾,其已经被应用在计算鬼成像、自由空间相位恢复等方面。然而,深度学习方法在数字全息重建方面的可行性以及有效性仍然未被证实。

该课题组提出利用一种新的卷积神经网络(eHoloNet)(图一所示)从单幅的数字同轴全息图中恢复重建物体的波前。在实验中,研究人员首先利用激光照明已知的物体并采集相对应的数字同轴全息图。之后,这些数字同轴全息图被用来训练神经网络,从而可以帮助神经网络获取抽象的图像特征。一旦神经网络训练完成,研究人员可以利用训练好的神经网络从采集到的同轴全息图中重构出物体波前。课题组已经证明他们提出的神经网络eHoloNet可以成功的去除同轴全息中的孪生像并且可以从采集到的单幅同轴全息图中直接重构出物体波前(图二所示)。

原文链接

该工作由中国科学院前沿科学重点研究项目、国家自然科学基金、上海自然科学基金支持。

图一 研究人员提出的eHoloNet网络结构。


图二 同轴全息重建恢复结果。(a),(d)为采集到的数字同轴全息图; (b), (e)为利用神经网络恢复出的物体图像; (c), (f) 为目标物体图像。

 

(来源:中国科学院上海光学精密机械研究所

 

 



关于我们
下载视频观看
联系方式
通信地址

北京市海淀区清华东路甲35号 北京912信箱 (100083)

电话

010-82304210/010-82305052(传真)

E-mail

semi@semi.ac.cn

交通地图
版权所有 ? 中国科学院半导体研究所

备案号:京ICP备05085259号 京公网安备110402500052 中国科学院半导体所声明