AI Onthult Onzichtbare Objecten In Volledige Duisterheid Met Diepe Neurale Netwerken

• MIT-onderzoekers gebruiken diepe neurale netwerken om onzichtbare objecten in complete duisterheid te onthullen.
• Het kan biologische cellen en weefsels imageren zonder ze te blootstellen aan schadelijke straling en intense licht.

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

De afgelopen paar jaar heeft een machine learning techniek genaamd diep neuraal netwerk veel aandacht getrokken in het computationele imaging-veld. Het is bewezen een efficiënte oplasser in diverse toepassingen, inclusief ghost imaging, adaptieve optica, adaptieve verlichtingsmicroscopie, fase-herstel, optische tomografie, en onderbemonsterde imaging.

Voor het eerst heeft een team van MIT-onderzoekers diepe neurale netwerken gebruikt om een coherente fase-herstelprobleem opgelost met hoge ruis op verschillende niveaus. In eenvoudige taal: ze hebben een methode ontdekt om onzichtbare objecten in complete duisterheid te onthullen.

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

Hoe Ze Dit Deden?

De onderzoekers captureerden eerst afbeeldingen van doelobjecten in bijna pitch-black condities. Vervolgens hercreëerden ze transparante objecten uit deze afbeeldingen. Hiervoor gebruikten ze diepe neurale netwerken, getraind om meer dan 10.000 transparante glasachtige etsingen te herkennen uit donkere, korrelige afbeeldingen die onzichtbaar zijn voor het menselijk oog.

Referentie: Physical Review Letters | doi:10.1103/PhysRevLett.121.243902 | MIT

De afbeeldingen zelf, vastgelegd in een donkere kamer, leken op de statische ruis die u op een televisie kunt zien. De neurale netwerken zijn getraind op deze afbeeldingen samen met de bijbehorende patronen onder de visuele ruis.

Stap voor stap leerde het netwerk zin te geven aan de visuele ruis. Het genereerde uiteindelijk vervaagde afbeeldingen. Om deze afbeeldingen helderder te maken, voegde het team een laag toe die de output kan focussen.

Met dank aan onderzoekers

In de bovenstaande afbeelding kunt u de donkere afbeelding zien (linksboven), gegenereerd uit een transparante etsing (uiterst rechts). De onderzoekers gebruikten een fysica-algoritme gebaseerd op het gedrag van licht om het object te recreëren (rechtsboven). De machine learning techniek creëerde een tamelijk vervaagde afbeelding (linksonder). Ze combineerden zowel fysica-algoritme als machine learning techniek om de meest nauwkeurige afbeelding (rechtsonder) van een echt object/scène te reconstrueren.

Hoe Is Het Nuttig?

De AI kan gebruikt worden om transparante kenmerken zoals biologische cellen en weefsels te verlichten, in afbeeldingen vastgelegd met zeer weinig licht. Cellen kunnen gemakkelijk verbranden of beschadigd raken als ze blootgesteld worden aan intens licht, en dan is er niets meer om te imageren. Ook, wanneer patiënten blootgesteld worden aan Röntgenstraling, hebben ze kans op kanker te ontwikkelen.

Lees ook: Bestaat Er Iets Genoemd Donkere Fotonen | Het Hypothetische Deeltje

Deze studie kan in dergelijke gevallen helpen: onderzoekers hebben het mogelijk gemaakt om dezelfde beeldkwaliteit te krijgen door cellen en weefsels te blootstellen aan minder fotonen. Dit verlaagt de schade aan biologische monsters significant bij het bemonsteren. Bovendien kan de technologie een reeks potentiëel nuttige toepassingen bieden in het veld van astronomische imaging.