211service.com
Ujawnianie niewidzialnego
Dzięki uprzejmości badaczy
Niewielkie niedoskonałości kieliszka do wina lub drobne zagięcia soczewki kontaktowej mogą być trudne do dostrzeżenia, nawet przy dobrym oświetleniu. Ale inżynierowie MIT opracowali technikę uczenia maszynowego, która może ujawnić te niewidoczne cechy i obiekty w ciemności.
Kluczem była sieć neuronowa, rodzaj oprogramowania, które można nauczyć kojarzyć określone dane wejściowe z konkretnymi danymi wyjściowymi — w tym przypadku ciemnymi, ziarnistymi obrazami przezroczystych obiektów i samych obiektów.
Zespół zasilił sieć niezwykle ziarnistymi obrazami ponad 10 000 przezroczystych wzorów trawienia z układów scalonych. Zdjęcia zostały zrobione w bardzo słabych warunkach oświetleniowych, z około jednym fotonem na piksel — znacznie mniej światła niż kamera zarejestrowałaby w ciemnym, zamkniętym pomieszczeniu. Następnie pokazali sieci neuronowej nowy ziarnisty obraz, nieuwzględniony w danych treningowych, i odkryli, że jest on w stanie zrekonstruować przezroczysty obiekt, który przesłoniła ciemność.
Naukowcy ustawili aparat tak, aby robił zdjęcia lekko nieostre, co dostarcza dowodów w postaci zmarszczek w wykrytym świetle, że może być obecny przezroczysty obiekt.
Ale rozmycie powoduje również rozmycie, które może zaciemniać obliczenia sieci neuronowej. Aby uzyskać ostrzejszy i dokładniejszy obraz, naukowcy włączyli do sieci neuronowej prawo fizyki, które opisuje, w jaki sposób światło tworzy efekt rozmycia, gdy kamera jest rozmyta.
Zespół powtórzył swoje eksperymenty z kolejnymi 10 000 zdjęć bardziej ogólnych i różnorodnych obiektów, w tym ludzi, miejsc i zwierząt. Ponownie sieć neuronowa z wbudowanym algorytmem fizyki była w stanie odtworzyć obraz przezroczystego wytrawiania, który został wykonany w ciemności.
Wyniki pokazują, że sieci neuronowe można wykorzystać do oświetlania przezroczystych elementów, takich jak tkanki i komórki biologiczne, na obrazach wykonanych przy bardzo małej ilości światła.
Jeśli wysadzisz komórki biologiczne światłem, spalisz je i nie ma już nic do wyobrażenia, mówi George Barbastathis, profesor inżynierii mechanicznej. Jeśli wystawisz pacjenta na promieniowanie rentgenowskie, zwiększasz ryzyko zachorowania na raka.
To, co tutaj robimy [oznacza], że można uzyskać taką samą jakość obrazu, ale przy mniejszej ekspozycji pacjenta. A w biologii można zmniejszyć uszkodzenia próbek biologicznych, gdy chcesz je pobrać.