AI利用深度神经网络在完全黑暗中显现不可见物体
- MIT研究人员利用深度神经网络在完全黑暗中揭示不可见物体。
- 可在不暴露有害射线和强光下成像生物细胞和组织。
大多数成像系统仅产生被成像物体扭曲或部分数据。主要因缺乏相位信息、空间频率损失、照明噪声、光学系统未知散射体。
过去几年，称为深度神经网络的机器学习技术在计算成像领域受关注。在鬼成像、自适应光学、自适应照明显微镜、相位恢复、光学断层扫描、欠采样成像等多应用中证明是高效求解器。
首次，MIT研究团队用深度神经网络解决不同噪声水平下的相干相位恢复问题。通俗说，发现完全黑暗中揭示不可见物体方法。
这与谷歌Pixel 3手机现有AI“夜景模式”截然不同，后者捕捉多张噪声图像合成清晰照片，但需要一些光起步。MIT技术在全黑房间工作，每像素仅需一个光子。
如何做到？
研究人员先在近乎漆黑条件下拍摄目标物体图片。再从这些图片重建透明物体。为此使用深度神经网络，训练识别从人眼不可见的黑暗颗粒图片中10,000多个透明玻璃蚀刻。
参考：Physical Review Letters | doi:10.1103/PhysRevLett.121.243902 | MIT
图片本身在暗室拍摄，像电视静态噪点。神经网络在视觉噪声下与视觉噪声下对应模式一起训练。
逐渐网络学会从视觉噪声中理解。最终生成模糊图片。为使图片更清晰，团队添加聚焦输出层。
研究人员提供
上图可见暗图像（左上），由透明蚀刻（右端）生成。研究人员用基于光行为物理算法重建物体（右上）。机器学习技术创建相当模糊图像（左下）。结合物理算法和机器学习技术重建最准确实际物体/场景图像（右下）。
有何用处？
AI可用于极低光拍摄图片中照亮透明特征如生物细胞和组织。细胞暴露强光易烧毁损坏，则无物可成像。患者暴露X射线有致癌风险。
延伸阅读：是否存在暗光子 | 假设粒子
研究有助此类情况：研究人员使细胞组织暴露更少光子获得同等图像质量。显著降低采样时生物标本损伤。此外技术可为天文成像领域提供潜在有用应用范围。
工业技术