Dévoiler la non-localité dans la transmission d'images à travers des milieux turbides

Réussir une transmission d'images haute fidélité à travers des milieux turbidés est un défi majeur pour les communautés AI et photoniques/optiques. Bien que cette capacité offre des perspectives pour diverses applications, y compris le transfert de données, l'endoscopie neurale et l'imagerie basée sur des fibres optiques multimodes, les méthodes d'apprentissage profond conventionnelles peinent à capturer les nuances de la propagation de la lumière, ce qui entraîne une généralisation faible et des performances de reconstruction limitées. Pour remédier à cette limitation, nous avons étudié la non-localité présente dans les images reconstruites et découvert que les méthodes d'apprentissage profond conventionnelles s'appuient sur des caractéristiques spécifiques extraites de l'ensemble de données d'entraînement plutôt que de reconstruire méticuleusement chaque pixel. Cela suggère qu'elles échouent à capturer efficacement les dépendances à long terme entre les pixels, qui sont cruciales pour une reconstruction d'image précise. Inspirés par la physique de la propagation de la lumière dans des milieux turbidés, nous avons développé un mécanisme d'attention globale pour aborder ce problème sous un angle plus large. Notre réseau exploite la redondance d'information générée par des caractéristiques non locales particulières à travers les facettes de fibre d'entrée et de sortie. Ce mécanisme permet un gain de performance d'un ordre de grandeur et une haute fidélité au contexte des données, garantissant une représentation précise des détails complexes dans une reconstruction pixel par pixel plutôt qu'une simple minimisation des pertes.