Ett artefaktfritt beräkningssätt för att extrahera ljusets fas från bullriga intensitetssignaler förbättrar avbildning av transparenta objekt, såsom biologiska celler, under svagt ljus. Proceduren separerar intensitetssignaler i hög- och lågfrekventa spektralkanaler. Djupa neurala nätverk tränas för att fungera på dessa två frekvensband, innan en slutlig algoritm rekombinerar dem till en fullbandsfasbild. Denna metod undviker tendensen hos automatiska fasextraktionsprogram att överrepresentera låga frekvenser.

Hämtning av fas av elektromagnetiska fält är ett av de viktigaste problemen inom optik eftersom det tillåter formen på transparenta objekt, inklusive celler, att kvantifieras med synligt ljus. Fas är en mängd som relaterar till ljusets vågkaraktär; det är inte direkt detekterbart av våra ögon eller vanliga kameror, och bär ändå viktig information om föremål som ljuset gick igenom. Att mäta fasen med mycket lite ljus kan vara ännu mer intressant och användbart. Med låg ljusintensitet, lätt toxicitet för biologiska prover, till exempel, är reducerad; dock, problemet med att återställa fasen blir också mycket svårare. Tidigare djupinlärningsbaserade algoritmer förbättrades jämfört med traditionella metoder under förhållanden med svagt ljus, men visade en tendens att överrepresentera de låga rumsliga frekvenserna i rekonstruktionerna, vilket innebär att rekonstruktionerna såg suddiga ut.

I en ny artikel publicerad i Ljusvetenskap och applikationer , forskare från 3D Optical Systems Group vid Massachusetts Institute of Technology (MIT) föreslog att man skulle kunna syntetisera med DNN (LS-DNN) -metoden för att bekämpa denna ojämna trohet genom att dela insignalen i låga och höga rumsliga frekvensband. Det blev sedan möjligt för djupa neurala nätverk att bearbeta dessa två frekvensband, respektive; senare, ett tredje neuralt nätverk lärde sig att syntetisera de två frekvensbanden till den slutliga rekonstruktionen som är av hög kvalitet i alla frekvensband. Författarna upptäckte att LS -metoden är särskilt robust för att hantera extremt bullriga intensitetssignaler.

Forskarna sammanfattar effekten av deras LS-DNN-algoritm som:"Vi föreslog en ram så att när vi avsiktligt använder inlärningsalgoritmerna utanför deras komfortzon, dvs med olika typer av exempel som algoritmerna tränats med, leder inte till katastrof som med alternativa tillvägagångssätt. Det är tack vare den splittrande och rekombinerade strukturen i arkitekturen som vi kom fram till. Till exempel, lågfrekvensbanden bearbetas av ett neuralt nätverk som vet hur man hanterar lågfrekvenser men inte nödvändigtvis bryr sig om vilken typ av objekt de låga frekvenserna kommer ifrån. På samma sätt för de höga frekvenserna. Synthesizern är också utbildad för att rekombinera de två banden optimalt. Denna typ av robusthet tyder på att algoritmen är lättillämplig i praktiska situationer. "

"Den största fördelen med att arbeta i svagt ljus är att du kan minska mängden ljus du levererar till exemplaret. Våra experiment utfördes med synligt ljus; men samma principer gäller för andra band av elektromagnetisk strålning, t.ex. Röntgen. Vi vet att röntgenstrålar är skadliga, så om du kan få samma bildkvalitet men med mycket lägre strålningsdos, det skulle vara ett stort framsteg. "

"LS -metoden är mångsidig och anpassningsbar till en mängd olika problem som vi kallar invers, betyder att du har en indirekt och ofullständig eller bullrig observation av ett objekt, och du försöker avslöja själva objektet korrekt. Från röntgenstrålar som vi nämnde tidigare till sonogram, MR, geovetenskapliga undersökningar för att upptäcka bensin - allt detta är exempel där liknande problem uppstår. Vår teknik, i princip, är tillämplig eftersom konkurrensen mellan låga och höga frekvenser är gemensam för alla dessa problem, och så är bruset och begränsad signal. Så vi har stora förhoppningar om att mycket snart kommer tydligare bilder att fås på alla dessa olika områden, "avslutade de.