具有深度学习网络的多模光纤传输

多模光纤（MMF）是高散射介质的一个例子，它对在其中传播的相干光进行加扰产生看似随机的图案，称为斑点。尽管看似随机性，但由输入模式、通过MMF传播和探测器组成的系统表现得具有确定性。许多研究已经表明，通过MMF可以进行图像传输或成像，例如，通过模拟相位共轭、数字迭代方法，数字相位共轭或实验测量每个输入模式对应的输出模式的幅度和相位，以构造复数矩阵，将输入传递到输出。因此，对于诸如通过MMF的成像和图像投影的应用，需要仔细测量光纤的输入和输出之间的关系。该实验需要将外部参考光束带到光纤的输出端以产生干涉图案，从该干涉图案可以提取复杂的光场（幅度和相位）。需要仔细的相位跟踪来校正相位漂移，这进一步使实现复杂化。

图1幅度——幅度反演。当用手写拉丁字母表训练CNN时，神经网络在从输出幅度散斑图案重建输入幅度时的性能。使用系统的传输矩阵获得每个字母图像的散斑图案。计算训练/校验数据集（a）均方方差和（b）二维相关；（c）散斑图案的输出幅度和通过CNN重建的光纤输入幅度图案的示例，每个重建图像相对于其相应灰度标签的保真度数被示出

图2迁移学习。当用手写拉丁字母训练CNN时，神经网络在迁移学习中从输出幅度散斑图重构输入幅度/相位的性能。a重建的幅度输入模式和b重建的数字图像的相位输入模式。c其他图像的重建幅度输入模式的示例

作为概念验证，瑞士洛桑联邦理工学院的科学家演示了深度神经网络可以在0.75米长的MMF中学习输入——输出关系。具体地，作者证明深度卷积神经网络（CNN）可以学习在光纤输出处获得的散斑图案的幅度（相位信息丢失）与光纤输入处的相位或幅度之间的非线性关系。实际上，网络执行非线性反演任务。与利用以复杂测量矩阵为特征的系统传输知识恢复的图像相比，MMF中最终获得了重建图像保真度（相关性）高达~98％和图像投影保真度高达~94％的效果。此外，进一步表明，网络可以被训练用于迁移学习，即它可以通过MMF传输图像，MMF属于另一个不用于训练/测试的类。相关内容以《Multimode optical fiber transmission with a deep learning network》为标题，发表在《Light:Science & Applications》杂志上。

图3通过光纤传输光的实验装置的示意图。由SLM创建的图案通过MMF输入处的中继系统（镜头L1和物镜OBJ1）成像。相同的中继系统（OBJ2和L2）放大通过光纤传输的图像并将其投影到摄像机平面上

本微信图文资料来自网络或其他公号，版权归属原作者所有，仅供参考学习！