傅里叶光学预处理助力计算成像

       近日，美国加州大学河滨分校机械工程系Baurzhan Muminov 和 Luat T. Vuong展示了卷积神经网络的一种替代方案，它可以从光学预处理的傅里叶编码模式中重建原始图像。该方案计算量小，抗噪性强，适用于高速弱光成像。研究人员引入一种带有透镜阵列的涡旋相位变换来配合浅、密集、“小脑”的神经网络。单次编码孔径方法利用了相干衍射，傅里叶变换的螺旋相位梯度和边缘增强技术。使用旋涡编码，一个小脑被训练以比随机编码方案快5-20倍的速度去反卷积图像，而随机编码方案在有噪声的情况下更有优势。一旦经过训练，小脑就会根据强度数据重建物体，而无需对每个图像进行迭代，也无需深度学习方案，就能解决一个逆映射问题。利用旋涡傅里叶编码，研究人员在15 W的中央处理器上以每秒几千帧的速度重建被弱光通量(5 nJ/cm2)照射的物体。实验结果表明，傅里叶光学预处理与涡街编码器实现类似的精度和速度比卷积神网络快2个数量级，相关研究工作发表在《Optica》上。（丁雷）

文章链接：Baurzhan Muminov AND Luat T. Vuong，Fourier optical preprocessing in lieu of deep learning,Optica(2020).
       https://doi.org/10.1364/OPTICA.397707.