基于卷积神经网络的复杂光场模态分解
光学
2021-04-20 v1 计算物理
仪器与探测器
摘要
近期研究表明，卷积神经网络（CNN）可通过光场强度图像的训练来实现模态分解。这些技术的一个根本局限在于，仅凭单张强度图像无法唯一确定模态相位。模态相位的获取对于波前传感、对准及模匹配等应用至关重要。外差成像技术能够以高分辨率和高帧率提供激光束横向复振幅与相位分布图像。本工作中，我们训练了一个 CNN，利用模拟外差图像进行模态分解，从而可预测完整的模态相位。据我们所知，这是首个利用复相位信息执行模态分解的机器学习分解方案。我们将该网络与传统重叠积分及质心定心算法进行比较，结果表明其对光束定心的敏感度更低，且平均精度更高。
引用
@article{arxiv.2104.08458,
title = {Modal decomposition of complex optical fields using convolutional neural networks},
author = {Mitchell G. Schiworski and Daniel D. Brown and David J. Ottaway},
journal= {arXiv preprint arXiv:2104.08458},
year = {2021}
}
备注
8 pages, 7 figures. Pre-submission version