ИИ может обнаруживать невидимые объекты в полной темноте

• Исследователи Массачусетского технологического института используют глубокие нейронные сети для обнаружения невидимых объектов в полной темноте.
• Он может отображать биологические клетки и ткани, не подвергая их воздействию вредных лучей и яркого света.

Большинство систем визуализации предоставляют только искаженные или частичные данные об изображаемом объекте. Это происходит в основном из-за отсутствия информации о фазе, потери пространственных частот, шума в освещении и неизвестных рассеивателей в оптической цепи.

За последние несколько лет метод машинного обучения, называемый глубокой нейронной сетью, привлек большое внимание в области компьютерной визуализации. Он доказал свою эффективность в различных приложениях, включая создание фантомных изображений, адаптивную оптику, микроскопию с адаптивным освещением, фазовый поиск, оптическую томографию и получение изображений с недостаточной дискретизацией.

Во-первых, группа исследователей из Массачусетского технологического института использовала глубокие нейронные сети для решения проблемы когерентного восстановления фазы, на которую влияет высокий шум на разных уровнях. Говоря простым языком, они открыли метод обнаружения невидимых объектов в полной темноте.

Это сильно отличается от существующей техники «ночного режима» на основе искусственного интеллекта, используемой в смартфоне Google Pixel 3, которая может снимать несколько шумных изображений и создавать четкие фотографии, но для начала требуется немного света. С другой стороны, методика Массачусетского технологического института работает в полностью темной комнате. Для этого требуется только один фотон на пиксель.

Как они это сделали?

Сначала исследователи сделали снимки целевых объектов в почти кромешной тьме. Затем они воссоздали прозрачные объекты из этих изображений. Для этого они использовали глубокие нейронные сети, которые обучены распознавать более 10 000 прозрачных стеклянных гравюр на темных зернистых изображениях, невидимых человеческому глазу.

Ссылка:Письма с физическим обзором | doi:10.1103 / PhysRevLett.121.243902 | Массачусетский технологический институт

Сами снимки, сделанные в темной комнате, казались статичным шумом, который можно было увидеть по телевизору. Нейронные сети обучаются на этих изображениях вместе с соответствующими паттернами под визуальным шумом.

Постепенно сеть научилась разбираться в визуальном шуме. В конечном итоге это привело к нечетким изображениям. Чтобы сделать эти изображения более четкими, команда добавила слой, на котором можно сфокусировать вывод.

Предоставлено исследователями

На изображении выше вы можете увидеть темное изображение (вверху слева), которое создано из прозрачного травления (крайнее справа). Исследователи использовали физический алгоритм, основанный на поведении света, чтобы воссоздать объект (вверху справа). Техника машинного обучения создала довольно размытое изображение (внизу слева). Они объединили физический алгоритм и технику машинного обучения для восстановления наиболее точного изображения (внизу справа) реального объекта / сцены.

Чем это полезно?

ИИ можно использовать для освещения прозрачных объектов, таких как биологические клетки и ткани, на изображениях, снятых при очень слабом освещении. Клетки можно легко сжечь или повредить, если на них будет воздействовать интенсивный свет, и тогда не останется ничего для изображения. Кроме того, когда пациенты подвергаются облучению рентгеновскими лучами, у них есть шанс заболеть раком.

Читайте:Есть ли что-нибудь, что называется темными фотонами | Гипотетическая частица

Это исследование могло бы помочь в таких случаях:исследователи сделали возможным получение изображения того же качества, подвергая клетки и ткани меньшему количеству фотонов. Это значительно снижает повреждение биологических образцов при отборе проб. Более того, эта технология может предложить ряд потенциально полезных приложений в области построения астрономических изображений.