用于多模光纤中传输效应反演的贝塞尔等变网络

我们开发了一类新模型，通过构建 $\mathrm{SO}^{+}(2,1)$-等变神经网络来解决多模光纤传输效应反演任务。该模型利用了已知存在于光纤散斑图案中的方位角相关性，并自然地处理了输入图案与散斑图案之间空间排布的差异。此外，我们使用第二个后处理网络来去除圆形伪影、填补空隙并锐化图像，这是光纤传输特性所必需的。这种两阶段方法允许检查由更具鲁棒性且物理动机明确的等变模型所预测的图像（在安全关键应用中可能有用），或结合两模型输出以产生高质量图像。进一步，该模型可扩展到此前无法实现的多模光纤成像分辨率，并在 $256 \times 256$ 像素图像上得到演示。这是由于将可训练参数需求从 $\mathcal{O}(N^4)$ 改进为 $\mathcal{O}(m)$，其中 $N$ 为像素尺寸，$m$ 为光纤模式数。最后，该模型对训练数据类别之外的新图像的泛化能力优于先前模型。