Нейросетевая реконструкция сцен с цифровых голограмм на основе извлечения амплитуды и фазы

Рымов Д.А., Стариков Р.С., Черёмхин П.А.

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Рымов Д.А., Стариков Р.С., Черёмхин П.А. Нейросетевая реконструкция сцен с цифровых голограмм на основе извлечения амплитуды и фазы // Оптический журнал. 2022. Т. 89. № 9. С. 11–19. http://doi.org/ 10.17586/1023-5086-2022-89-09-11-19

Rymov D.A., Starikov R.S., Cheremkhin P.A. Neural-network-enabled holographic image reconstruction via amplitude and phase extraction [in Russian] // Opticheskii Zhurnal. 2022. V.89. № 9. P. 11-19. http://doi.org/ 10.17586/1023-5086-2022-89-09-11-19

Ссылка на англоязычную версию:

D. A. Rymov, R. S. Starikov, and P. A. Cheremkhin, "Neural-network-enabled holographic image reconstruction via amplitude and phase extraction," Journal of Optical Technology. 89(9), 511-516 (2022). https://doi.org/10.1364/JOT.89.000511

Аннотация:

Предмет исследования. зависимость дальности атмосферных оптических линий связи от атмосферных условий, сочетания видов модуляции лазерного луча и помехоустойчивого кодирования в канале связи. Цель работы. Разработка способа повышения дальности атмосферных оптических линий связи путем повышения устойчивости к атмосферным турбулентностям. Метод. Показано, что для достижения оптимального результата необходимо обеспечить сочетаемость вида канального кодирования с методом модуляции. Примером такого сочетания являются позиционно-импульсная модуляция и позиционные помехоустойчивые коды. В качестве одного из таких кодов выступает голографический код, использующий для передачи не одиночный импульс в нужной позиции, как при позиционно-импульсной модуляции, а передачу последовательности импульсов, представляющей собой одномерную линейную голограмму одиночного импульса. Модуляция в этом случае остается позиционной, но становится многоимпульсной. Голографический код использует свойство делимости голограммы и восстанавливает переданную информацию по фрагменту голограммы, а также скрытую шумами. Восстановительные возможности голографического кода зависят от длины голограммы — числа слотов в символьном интервале. Основные результаты. Показано, что использование голографического кодирования приводит к повышению помехоустойчивости и снижению вероятности ошибки в приемнике и дает эффект, эквивалентный повышению мощности передатчика. Практическая значимость. Эффект, создаваемый голографическим кодированием, можно использовать как для увеличения дальности связи, так и для повышения надежности канала связи. Преимуществом позиционного кодирования является тот факт, что информационная избыточность, необходимая для помехоустойчивого кодирования, создается внутри символьного интервала и не изменяет частоты следования символов, т.е. не уменьшает скорость передачи информации.

Ключевые слова:

цифровая голография, машинное обучение, трехмерная сцена, нейронные сети, реконструкция изображения

Благодарность:

работа выполнена при финансовой поддержке Российского научного фонда, грант № 20-79-00291

Коды OCIS: 090.1995, 110.4280, 230.5160, 090.1760

Список источников:

1. Ma W., Liu Z., Kudyshev Z.A., Boltasseva A., Cai W., Liu Y. Deep learning for the design of photonic structures // Nature Photonics. 2021. V. 15. № 2. P. 77–90. https://doi.org/10.1038/s41566-020-0685-y

2. Genty G., Salmela L., Dudley J.M., Brunner D., Kokhanovskiy A., Kobtsev S., Turitsyn S.K. Machine learning and applications in ultrafast photonics // Nature Photonics. 2021. V. 15. № 2. P. 91–101. https://doi.org/10.1038/s41566-020-00716-4

3. Szegedy C., Ioffe S., Vanhoucke V., and Alemi A.A. Inception-v4, inception-ResNet and the impact of residual connections on learning // Proc. 31st AAAI Conf. Artificial Intelligence. 2017. P. 4278–4284. https://doi.org/10.48550/arXiv.1602.07261

4. Альес М.Ю., Антонов Е.А., Калугин А.И., Зарипов М.Р. Применение искусственных нейронных сетей для анализа мультиспектральных изображений // Оптический журнал. 2021. Т. 88. № 8. С. 48–53. DOI: 10.17586/1023-5086-2021-88-08-48-53

5. Xie L., Lee F., Liu L., Kotani K., Chen Q. Scene recognition: A comprehensive survey // Pattern Recognition. 2020. V. 102. P. 107205. https://doi.org/10.1016/j.patcog.2020.107205

6. Liu T., de Haan K., Rivenson Y., et al. Deep learning-based superresolution in coherent imaging systems // Scientific Reports. 2019. V. 9. P. 3926. https://doi.org/10.1038/s41598-019-40554-1

7. Li S., Zhu W., Zhang B., Yang X., Chen M. Depth map denoising using a bilateral filter and a progressive CNN // JOT. 2020. V. 87. № 6. P. 361–364. https://doi.org/10.1364/JOT.87.000361

8. Cheremkhin P.A., Evtikhiev N.N., Krasnov V.V., Rodin V.G., Rymov D.A., Starikov R.S. Machine learning methods for digital holography and diffractive optics // Proc. Computer Sci. 2020. V. 169. P. 440–444. https://doi.org/10.1016/j.procs.2020.02.243

9. Hossein E.M., Caira W.N., Atisa M., Chakravarthula P., Pégard C.N. DeepCGH: 3D computer-generated holography using deep learning // Opt. Exp. 2020. V. 28. P. 26636–26650. https://doi.org/10.1364/OE.399624

10. Zeng T., Zhu Y., Lam E.Y. Deep learning for digital holography: A review // Opt. Exp. 2021. V. 29. P. 40572–40593. https://doi.org/10.1364/OE.443367

11. Kaiqiang W., Jiazhen D., Qian K., Jianglei D., Jianlin Zh. Y-Net: A one-to-two deep learning framework for digital holographic reconstruction // Opt. Lett. 2019. V. 44. P. 4765–4768. https://doi.org/10.1364/OL.44.004765

12. Wang H., Lyu M., and Situ G. eHoloNet: A learning-based end-to-end approach for in-line digital holographic reconstruction // Opt. Exp. 2018. V. 26. P. 22603–22614. https://doi.org/10.1364/OE.26.022603

13. Schnars U., Falldorf C., Watson J., Jüptner W. Digital holography and wavefront sensing: Principles, techniques and applications. Berlin Heidelberg: Springer-Verlag, 2015. 226 p. https://doi.org/10.1007/978-3-662-44693-5

14. Ioffe S., Szegedy Ch. Batch normalization: Accelerating deep network training by reducing internal covariate shift // Proc. 32nd Internat. Conf. Machine Learning. 2015. V. 37. P. 448–456.

15. Ding B., Qian H., Zhou J. Activation functions and their characteristics in deep neural networks // Chinese Control and Decision Conf. (CCDC). 2018. P. 1836–1841. https://doi.org/10.1109/ccdc.2018.8407425

16. Ronneberger O., Fischer T., Brox T. U-Net: Convolutional networks for biomedical image segmentation // Int. Conf. Med. Image Comput. Comput. Interv. 2015. V. 9351. P. 234–241. https://doi.org/10.48550/arXiv.1505.04597

17. Verrier N., Atlan M. Off-axis digital hologram reconstruction: Some practical considerations // Appl. Opt. 2011. V. 50. P. H136–H146. https://doi.org/10.1364/AO.50.00H136

18. Pavillon N., Seelamantula C.S., Kühn J., Unser M., Depeursinge C. Suppression of the zero-order term in off-axis digital holography through non-linear filtering // Appl. Opt. 2009. V. 48. P. H186–H195. https://doi.org/10.1364/AO.48.00H186

19. Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image quality assessment: From error visibility to structural similarity // IEEE Trans. Image Process. 2004. V. 13. № 4. P. 600–612. https://doi.org/10.1109/TIP.2003.819861

20. Gonzalez R.C., Woods R.E. Thresholding. Digital Image Processing, 4th ed. N.Y.: Pearson, 2018. 1022 p.