迈向智能光聚焦：非平稳散射介质中深度学习赋能的波前整形
应用物理
2019-09-04 v1 光学
摘要
组织深部的光聚焦是生物医学光学领域的圣杯，可能给该领域带来革命性进展。波前整形是解决此问题的广泛接受方法，但迄今为止大多数实现仅在平稳介质中运行，而实践中此类介质几乎不存在。在本文中，我们提出应用一个名为 ReFocusing-Optical-Transformation-Net (RFOTNet) 的深度卷积神经网络，这是一个多输入单输出网络，以应对非平稳散射介质中光聚焦的重大挑战。众所周知，深度卷积神经网络在解决逆散射问题时无需复杂计算即具有内在的强大能力。考虑到介质在适度扰动前后的光学散斑具有相关性，可基于预训练神经网络的微调快速恢复光焦点，显著减少重新聚焦的时间与计算成本。本工作通过实验验证了可行性。所提出的深度学习赋能波前整形框架在促进深部动态组织中的最优光聚焦与成像方面具有巨大潜力。
引用
@article{arxiv.1909.00210,
title = {Towards smart optical focusing: Deep learning-empowered wavefront shaping in nonstationary scattering media},
author = {Yunqi Luo and Suxia Yan and Huanhao Li and Puxiang Lai and Yuanjin Zheng},
journal= {arXiv preprint arXiv:1909.00210},
year = {2019}
}