湍流环境中的清晰全息成像

全息成像一直受到动态环境中不可预测的失真的挑战。传统的深度学习方法由于依赖于特定的数据条件，往往难以适应不同的场景。

为了解决这个问题，浙江大学的研究人员深入研究了光学和深度学习的交叉领域，揭示了物理先验在确保数据和预训练模型对齐方面的关键作用。

TWC-Swin方法利用空间一致性作为物理先验来指导深度神经网络的训练，擅长捕捉局部和全局图像特征，并消除了由任意湍流引起的图像退化。

他们探索了空间相干性和湍流对全息成像的影响，并提出了一种创新方法TWC-Swin，可以在存在这些干扰的情况下恢复高质量的全息图像。他们的研究成果以“利用光的魔力：空间相干性指导swin变换器进行通用全息成像”为题，发表在《先进光子学》杂志上。

空间相干性是光波行为有序性的度量。当光波处于混沌状态时，全息图像会变得模糊和嘈杂，因为它们携带的信息较少。保持空间相干性对于清晰的全息成像至关重要。

动态环境，如海洋或大气湍流，会引入介质的折射率变化。这会破坏光波的相位相关性，并扭曲空间相干性。因此，全息图像可能会变得模糊、失真，甚至丢失。

对不同强度的海洋和大气湍流进行性能定性分析。以相干性作为物理先验信息进行训练的网络可以有效地克服海洋和大气湍流对成像的影响，提高图像质量。

浙江大学的研究人员开发了TWC-Swin方法来解决这些挑战。TWC-Swin是“train-with-coherence swin transformer”的缩写，利用空间相干性作为物理先验来指导深度神经网络的训练。该网络基于Swin transformer架构，擅长捕捉局部和全局图像特征。

为了测试他们的方法，作者设计了一个光处理系统，该系统可以在不同的空间相干性和湍流条件下产生全息图像。这些全息图基于自然物体，作为神经网络的训练和测试数据。

结果表明，即使在低空间相干性和任意湍流条件下，TWC-Swin也能有效地恢复全息图像，超越了传统的基于卷积网络的方法。此外，据报道，该方法具有很强的泛化能力，将其应用扩展到训练数据中未包含的未知场景。

这项研究在解决不同场景下全息成像中的图像退化问题方面开辟了新天地。通过将物理原理整合到深度学习中，该研究揭示了光学与计算机科学之间的成功协同作用。随着未来的发展，这项工作为增强全息成像铺平了道路，使我们能够透过湍流清晰地看到。