基于米勒森干涉仪的微位移测量的多模态融合网络
光学
2026-03-17 v3
摘要
我们提出了一种用于精确微位移测量的多模态融合网络(MFN), 用于修正米勒森干涉仪。该模型通过引入双头学习机制解决传统单波长干涉测量中固有的半波位移歧义: 一个头进行亚半波位移回归, 另一个头对整数干涉阶进行分类。不同于双波长或迭代拟合方法, 这两种方法都需要高信噪比并计算耗时, MFN 能直接从干涉图像中实现稳健、实时的预测。模型在 2x10^5 个模拟干涉图和仅约 0.24% 真实实验数据(约 500 张图像)的微调后, 实现位移精度为 4.84(15) nm 和 98% 的阶分类准确率。即使在严苛噪声条件下, MFN 也保持稳定准确率(约 16 nm RMSE), 而传统启发式算法则表现出超过 100 nm 的误差。这些结果表明, MFN 提供了一个快速、抗噪、高性价比的单波长干涉计量解决方案, 无需多波长硬件或复杂相位拟合。
引用
@article{arxiv.2511.12192,
title = {Multimodal Fusion Network for Micro-displacement Measurement via Michelson Interferometer},
author = {Zixing Jia and Jiawei Li and Ziping Chen and Xin Li},
journal= {arXiv preprint arXiv:2511.12192},
year = {2026}
}