创新的变压器消除了任意湍流引起的图像质量下降

全息成像始终面临动态环境中不可预测的失真的挑战。传统的深度学习方法由于依赖特定的数据条件，往往难以适应不同的场景。

为了解决这个问题，浙江大学的研究人员深入研究了光学和深度学习的交叉点，揭示了物理先验在确保数据和预训练模型的一致性方面的关键作用。他们探索了空间相干性和湍流对全息成像的影响，并提出了一种创新方法 TWC-Swin，以在存在这些干扰的情况下恢复高质量的全息图像。他们的研究成果发表在金牌开放获取期刊《 Advanced Photonics》上。

空间相干性是衡量光波行为有序程度的指标。当光波混乱时，全息图像会变得模糊且嘈杂，因为它们携带的信息较少。保持空间相干性对于清晰的全息成像至关重要。

动态环境，例如海洋或大气湍流的环境，会引起介质折射率的变化。这会破坏光波的相位相关性并扭曲空间相干性。因此，全息图像可能变得模糊、扭曲，甚至丢失。

浙江大学的研究人员开发了 TWC-Swin 方法来应对这些挑战。TWC-Swin 是“train-with-coherence swin Transformer”的缩写，利用空间相干性作为物理先验来指导深度神经网络的训练。该网络基于 Swin 变压器架构，擅长捕获局部和全局图像特征。

为了测试他们的方法，作者设计了一个光处理系统，该系统可以产生具有不同空间相干性和湍流条件的全息图像。这些全息图基于自然物体，作为神经网络的训练和测试数据。结果表明，TWC-Swin 即使在低空间相干性和任意湍流的情况下也能有效恢复全息图像，超越了传统的基于卷积网络的方法。此外，据报道，该方法表现出强大的泛化能力，将其应用扩展到训练数据中未包含的未见过的场景。

这项研究在解决不同场景的全息成像图像质量下降方面开辟了新的领域。通过将物理原理融入深度学习，该研究揭示了光学和计算机科学之间的成功协同作用。随着未来的展开，这项工作为增强全息成像铺平了道路，使我们能够看清湍流。