基于卷积神经网络的偏振多图像退化模式分解方法

本文研究了一种针对退化模式的模式分解（MD）方法。应用卷积神经网络（CNN）进行图像训练并预测模式系数。以四重简并的 $LP_{11}$ 系列作为分解目标。将多幅图像作为输入以分解简并模式。总共考虑了七幅不同的图像，包括完整的原始近场图像、经过四个方向（0$^\circ$、45$^\circ$、90$^\circ$ 和 135$^\circ$）线偏振片后的图像，以及经过两个圆偏振片（右旋和左旋）后的图像，用于训练、验证和测试。模型的输出标签选为模式系数的实部和虚部，损失函数选为标签的均方根（RMS）。选取标签的 RMS 和平均绝对误差（MAE）、实际值与预测值之间强度、相位和场相关性的指标来评估 CNN 模型。CNN 模型使用 100,000 张深度为三、四和七的三维图像进行训练。使用 10,000 个测试样本通过四组图像——三个线偏振片（0$^\circ$、45$^\circ$、90$^\circ$）后的图像和右旋圆偏振片后的图像——评估训练后模型的性能，结果显示标签 RMS 为 0.0634、强度 RMS 为 0.0292、相位 MAE 为 0.1867 rad、平均场相关性为 0.9978。四组图像的性能相比仅考虑线偏振片后图像的模型至少提升了 50.68%。