Under det senaste decenniet har digitalkameror använts i stor utsträckning i olika aspekter av vårt samhälle, och de används massivt i mobiltelefoner, säkerhetsövervakning, autonoma fordon och ansiktsigenkänning. Genom dessa kameror genereras enorma mängder bilddata, vilket väcker växande oro för integritetsskydd.

Vissa befintliga metoder tar itu med dessa problem genom att använda algoritmer för att dölja känslig information från de förvärvade bilderna, såsom suddiga bilder eller kryptering. Sådana metoder riskerar dock fortfarande exponering av känslig data eftersom de råa bilderna redan är tagna innan de genomgår digital bearbetning för att dölja eller kryptera den känsliga informationen. Dessutom kräver beräkningen av dessa algoritmer ytterligare energiförbrukning. Andra ansträngningar gjordes också för att söka lösningar på detta problem genom att använda anpassade kameror för att nedgradera bildkvaliteten så att identifierbar information kan döljas. Men dessa tillvägagångssätt offrar den övergripande bildkvaliteten för alla objekt av intresse, vilket är oönskat, och de är fortfarande sårbara för motståndsangrepp för att hämta den känsliga information som registreras.

En ny forskningsartikel publicerad i eLight demonstrerade ett nytt paradigm för att uppnå integritetsbevarande avbildning genom att bygga en fundamentalt ny typ av imager designad av AI. I sin uppsats presenterade UCLA-forskare, ledda av professor Aydogan Ozcan, en smart kameradesign som endast avbildar vissa typer av önskade objekt, samtidigt som de omedelbart raderar andra typer av objekt från sina bilder utan att kräva någon digital bearbetning.

Den här nya kameradesignen består av successiva transmissiva ytor, var och en sammansatt av tiotusentals diffraktiva egenskaper på skalan för ljusets våglängd. Strukturen hos dessa transmissiva ytor är optimerad genom att använda djupinlärning för att modulera fasen av de överförda optiska fälten så att kameran endast avbildar vissa typer/klasser av önskade objekt och raderar de andra. Efter dess djupinlärningsbaserade design (träning) tillverkas och sätts de resulterande lagren i 3D, vilket bildar den smarta kameran. Efter sammansättningen, när ingångsobjekten från målklasserna av objekt visas framför den, bildar de högkvalitativa bilder vid kamerans utgång – enligt önskemål. Däremot, när ingångsobjekten framför samma kamera tillhör andra oönskade klasser, raderas de optiskt och bildar icke-informativa och lågintensiva mönster som liknar slumpmässigt brus.

Eftersom den karakteristiska informationen för oönskade klasser av objekt raderas helt optiskt vid kamerautgången genom ljusdiffraktion, spelar denna AI-designade kamera aldrig in direkta bilder. Därför är integritetsskyddet maximerat eftersom en kontradiktorisk attack som har tillgång till de inspelade bilderna av denna kamera inte kan ta tillbaka informationen. Den här funktionen kan också minska kamerans datalagring och överföringsbelastning eftersom bilder av oönskade objekt inte spelas in.

För att experimentellt demonstrera denna unika dataspecifika kamera designade UCLA-forskargruppen den för att specifikt och selektivt avbilda endast en klass av handskrivna siffror, och tillverkade den designade kameran med 3D-utskrift. Denna 3D-printade kamera testades med hjälp av terahertzvågor som belyser handskrivna siffror. Enligt kärnprinciperna för sin design kunde den smarta kameran selektivt avbilda ingångsobjekten endast om de var handskrivna siffror "2", samtidigt som den omedelbart raderade alla andra handskrivna siffror från utdatabilderna, vilket ger lågintensiva brusliknande funktioner .

Förutom handskrivna siffror visade UCLA-forskare också en annan variant av samma klassspecifika kameradesign genom att selektivt avbilda en typ av modeprodukt (till exempel byxor), samtidigt som de omedelbart raderade andra modeprodukter från kamerans utdata. Forskargruppen testade noggrant sin kameradesign under varierande ljusförhållanden som aldrig ingick i utbildningen och visade att denna smarta kamera är robust mot variationer i belysning.

Utöver dataklassspecifik bildbehandling användes denna AI-baserade kameradesign också för att bygga krypteringskameror, vilket ger ett extra lager av säkerhet och integritetsskydd. Such an encryption camera, designed using AI-optimized diffractive layers, optically performs a selected linear transformation, exclusively for the target objects of interest. Only those with access to the decryption key (i.e., the inverse linear transformation in this case) can recover the original image of the target objects. On the other hand, the information of the other undesired objects is irreversibly lost since the AI-designed camera all-optically erases them at the output. Therefore, even if the decryption key is applied to the recorded images, it yields noise-like, unrecognizable features for other classes of undesired objects.

Except for the illumination light, this smart camera does not require any external power for its computation and operates at the speed of light. Therefore, it is fast, data- and energy-efficient, making it especially suitable for task-specific, privacy-aware, and power-limited imaging applications. The core teachings of this diffractive camera design can inspire future imaging systems that consume orders of magnitude less computing and data transmission power.

This research was led by Professor Aydogan Ozcan, the associate director of the California NanoSystems Institute (CNSI) and the Volgenau Chair for Engineering Innovation at the Electrical and Computer Engineering (ECE) department at UCLA, along with Professor Mona Jarrahi, the Northrop Grumman Endowed Chair and the director of the Terahertz Electronics Laboratory at UCLA ECE. The other authors of this work include graduate students Bijie Bai, Yi Luo, Tianyi Gan, Yuhang Li, Yifan Zhao, Deniz Mengu and post-doctoral researcher Dr. Jingtian Hu, all with the ECE department at UCLA. + Utforska vidare

All-optical phase recovery and quantitative phase imaging performed instantly without a computer