AI kan onzichtbare objecten in totale duisternis onthullen

• MIT-onderzoekers gebruiken diepe neurale netwerken om onzichtbare objecten in volledige duisternis te onthullen.
• Het kan biologische cellen en weefsel in beeld brengen zonder ze bloot te stellen aan schadelijke stralen en intens licht.

De meeste afbeeldingssystemen leveren alleen vervormde of gedeeltelijke gegevens over het object dat wordt afgebeeld. Dit gebeurt voornamelijk door gebrek aan fase-informatie, verlies van ruimtelijke frequenties, ruis in de verlichting en onbekende verstrooiers in de optische trein.

In de afgelopen paar jaar heeft een machine learning-techniek genaamd diep neuraal netwerk veel aandacht getrokken op het gebied van computationele beeldvorming. Het is bewezen een efficiënte oplosser te zijn in een verscheidenheid aan toepassingen, waaronder spookbeeldvorming, adaptieve optica, adaptieve verlichtingsmicroscopie, faseherkenning, optische tomografie en onderbemonsterde beeldvorming.

Voor de eerste heeft een team van MIT-onderzoekers diepe neurale netwerken gebruikt om een ​​coherent fase-ophaalprobleem op te lossen dat wordt beïnvloed door hoge ruis op verschillende niveaus. In eenvoudige taal hebben ze een methode ontdekt om onzichtbare objecten in volledige duisternis te onthullen.

Dit is heel anders dan de bestaande AI-gebaseerde 'nachtmodus'-techniek die wordt gevonden in de Pixel 3-smartphone van Google, die verschillende afbeeldingen met ruis kan vastleggen en heldere foto's kan produceren, maar er is om te beginnen wat licht nodig. De techniek van MIT daarentegen werkt in een volledig donkere kamer. Het vereist slechts één foton per pixel.

Hoe hebben ze dit gedaan?

De onderzoekers maakten eerst foto's van doelobjecten in bijna pikzwarte omstandigheden. Vervolgens maakten ze transparante objecten van deze foto's. Hiervoor gebruikten ze diepe neurale netwerken, die zijn getraind om meer dan 10.000 transparante glasachtige etsen te herkennen van donkere, korrelige afbeeldingen die onzichtbaar zijn voor het menselijk oog.

Referentie:fysieke beoordelingsbrieven | doi:10.1103/PhysRevLett.121.243902 | MIT

De foto's zelf, vastgelegd in een donkere kamer, leken op de statische ruis die je op een televisie kon zien. De neurale netwerken worden op deze beelden getraind, samen met de bijbehorende patronen onder de visuele ruis.

Geleidelijk aan leerde het netwerk de visuele ruis te begrijpen. Het genereerde uiteindelijk wazige foto's. Om deze foto's duidelijker te maken, heeft het team een ​​laag toegevoegd die de uitvoer kan focussen.

Met dank aan onderzoekers 

In de bovenstaande afbeelding ziet u de donkere afbeelding (linksboven), die is gegenereerd op basis van een transparante ets (uiterst rechts). De onderzoekers gebruikten een natuurkundig algoritme op basis van het gedrag van licht om het object na te bootsen (rechtsboven). De machine learning-techniek zorgde voor een nogal wazig beeld (linksonder). Ze combineerden zowel het fysieke algoritme als de machine learning-techniek om het meest nauwkeurige beeld (rechtsonder) van een echt object/scène te reconstrueren.

Hoe is het nuttig?

De AI kan worden gebruikt om transparante kenmerken zoals biologische cellen en weefsels te verlichten in foto's die zijn gemaakt met zeer weinig licht. Cellen kunnen gemakkelijk worden verbrand of beschadigd als ze worden blootgesteld aan intens licht, en dan blijft er niets meer over om af te beelden. Wanneer patiënten worden blootgesteld aan röntgenstralen, hebben ze ook kans op het ontwikkelen van kanker.

Lezen:Is er iets dat donkere fotonen wordt genoemd | Het hypothetische deeltje

Dit onderzoek kan in zulke gevallen helpen:onderzoekers hebben het mogelijk gemaakt om dezelfde beeldkwaliteit te krijgen door cellen en weefsels aan minder fotonen bloot te stellen. Dit vermindert de schade aan biologische specimens aanzienlijk bij het nemen van monsters. Bovendien zou de technologie een reeks potentieel nuttige toepassingen kunnen bieden op het gebied van astronomische beeldvorming.