RESUMEN Las fibras ópticas cónicas (TFs), con diámetros que se reducen gradualmente desde cientos de micrones hasta la escala micrónica, ofrecen ventajas clave sobre las fibras ópticas planas convencionales (FFs), incluyendo iluminación uniforme, colección eficiente de señales a larga distancia, y mínima invasividad para aplicaciones en biosensibilidad de alta sensibilidad, optogenética, y terapia fotodinámica. Sin embargo, la imagen de alta fidelidad en un solo disparo a través de una sola TF sigue estando poco explorada debido al acoplamiento intermodal de la geometría cónica, que distorsiona los patrones de píxeles de salida y plantea desafíos para la reconstrucción de imágenes usando métodos de aprendizaje profundo existentes. Aquí, proponemos una arquitectura TF‐UNet inspirada en la física que aumenta las conexiones de salto con fusión jerárquica de MLP agrupados para capturar efectivamente dependencias no locales y de múltiples escalas causadas por el acoplamiento intermodal en las TFs. Validamos experimentalmente nuestro método tanto en FFs como en TFs, demostrando que TF‐UNet supera a las variantes estándar de U‐Net en fidelidad estructural y perceptual mientras mantiene un PSNR competitivo a complejidad cuadrática. Nuestro estudio ofrece un enfoque prometedor para la imagen basada en aprendizaje profundo a través de fibras ópticas ultrafinas de tamaño micrón, permitiendo la reconstrucción sin escaneo en una matriz de reconstrucción de 512 × 512, y validando aún más el marco en conjuntos de datos neuronales y vasculares significativos biológicamente para la caracterización físicamente interpretable.
Xu et al. (Martes,) estudiaron esta cuestión.