Uma abordagem computacional sem artefato para extrair a fase da luz de sinais de intensidade barulhenta melhora a imagem de objetos transparentes, como células biológicas, sob condições de pouca luz. O procedimento separa os sinais de intensidade em canais espectrais de alta e baixa frequência. Redes neurais profundas são treinadas para operar nessas duas bandas de frequência, antes que um algoritmo final os recombine em uma imagem de fase de banda completa. Este método evita a tendência dos programas de extração automática de fase de super-representar as baixas frequências.

A recuperação da fase dos campos eletromagnéticos é um dos problemas mais importantes da ótica, pois permite a forma de objetos transparentes, incluindo células, a ser quantificado usando luz visível. Fase é uma quantidade que se relaciona com a natureza ondulatória da luz; não é diretamente detectável por nossos olhos ou câmeras comuns, e ainda carrega informações importantes sobre os objetos pelos quais a luz passou. Medir a fase com muito pouca luz pode ser ainda mais interessante e útil. Com baixa incidência de luz, toxicidade de luz para amostras biológicas, por exemplo, É reduzido; Contudo, o problema de recuperação da fase também se torna muito mais difícil. Algoritmos anteriores baseados em aprendizagem profunda melhoraram em relação aos métodos tradicionais sob condições de pouca luz, mas exibiu uma tendência de super-representar as baixas frequências espaciais nas reconstruções, o que significa que as reconstruções pareciam borradas.

Em um novo artigo publicado em Ciência leve e aplicações , cientistas do 3-D Optical Systems Group do Massachusetts Institute of Technology (MIT) propuseram a abordagem de aprendizagem para sintetizar por DNN (LS-DNN) para combater essa fidelidade desigual, dividindo o sinal de entrada em bandas de frequência espacial baixa e alta. Então, tornou-se possível para redes neurais profundas processar essas duas bandas de frequência, respectivamente; subseqüentemente, uma terceira rede neural aprendeu a sintetizar as duas bandas de frequência na reconstrução final que é de alta fidelidade em todas as bandas de frequência. Os autores descobriram que o método LS é particularmente robusto no tratamento de sinais de intensidade extremamente ruidosos.

Os cientistas resumem o impacto de seu algoritmo LS-DNN como:"Propusemos uma estrutura de modo que, quando operamos intencionalmente os algoritmos de aprendizagem fora de sua zona de conforto, ou seja, com tipos de exemplos diferentes daqueles com os quais os algoritmos foram treinados, não leva ao desastre como acontece com as abordagens alternativas. Isso é graças à estrutura de divisão e recombinação da arquitetura que criamos. Por exemplo, as bandas de baixa frequência são processadas por uma rede neural que sabe como lidar com baixas frequências, mas não necessariamente se importa de que tipo de objetos as frequências vêm. Da mesma forma para as altas frequências. O sintetizador também é treinado para recombinar as duas bandas de maneira ideal. Este tipo de robustez sugere que o algoritmo é prontamente aplicável em situações práticas. "

"A principal vantagem de operar no regime de pouca luz é que você pode reduzir a quantidade de luz que você fornece ao espécime. Nossos experimentos foram realizados com luz visível; no entanto, os mesmos princípios se aplicam a outras bandas de radiação eletromagnética, por exemplo. Raios X. Sabemos que os raios X são prejudiciais, então, se você pode obter a mesma qualidade de imagem, mas com uma dose de radiação muito menor, isso seria um grande avanço. "

"O método LS é versátil e adaptável a uma grande variedade de problemas que chamamos de inverso, o que significa que você tem uma observação indireta e incompleta ou ruidosa de um objeto, e você está tentando revelar o próprio objeto corretamente. De raios-X que mencionamos antes de sonogramas, Ressonância magnética, investigações de geociências para descobrir gasolina - todos esses são exemplos em que ocorrem problemas semelhantes. Nossa técnica, em princípio, é aplicável porque a competição entre frequências baixas e altas é comum a todos esses problemas, e também o ruído e o sinal limitado. Portanto, temos grandes esperanças de que muito em breve imagens mais claras serão obtidas em todos esses diversos domínios, "concluíram.