Сотрудники Института систем обработки изображений РАН — филиала ФНИЦ «Кристаллография и фотоника» РАН создали гибридную дуплексную преломляющую/дифракционную линзу, которая, в сочетании с программной постобработкой может получать визуально высококачественные изображения. Созданная система хорошо работает не только в искусственной среде лаборатории, но и в полевых условиях.

Авторы исследования разработали и оптимизировали систему гибридных линз в собственном программном обеспечении HARMONY. Это позволило компенсировать отсутствие достаточно мощных возможностей доступных инструментов оптического моделирования. Был разработан дифракционный элемент для компенсации внеосевых геометрических аберраций, который гарантировал достижение хроматическими аберрациями нуля для двух граничных длин волн. Это обеспечило надежную работу во всем видимом спектре. Для производства было использовано широко доступное лазерное оборудование для записи. Это позволит в будущем начать недорогое массовое производство. Для постобработки изображения было развёрнуто сквозное изображение на основе глубокого обучения, реконструкции с архитектурой, вдохновленной UNet.

Для создания изображений, используемых для обучения, была построена простая автоматизированная лабораторная установка захвата с экрана. Интенсивное освещение обеспечивало качественную съемку. С помощью воздействия правильно подобранного ISO были произведены корректировки шума и экспозиции, что гарантировало отличную работу в различных условиях освещения за пределами установки захвата.

Первоначальные эксперименты с использованием метрики PSNR для оценки качества показали, что обучение нейронной сети дало худшие результаты при обработке изображений реального мира. С нерасширенным тестовым набором из 613 изображений было достигнуто PSNR 28,09 дБ. При дополнении шумом ISO и настройками экспозиции PSNR снизился до 27,08 дБ на тестовом наборе, но показал лучшие визуальные результаты в реальном мире изображений. При ограничениях PSNR для сценария был придуман новый критерий проверки качества, который соответствует человеческому восприятию качества, названный критерием FEL (false edge level). Это позволило подтвердить, что обученная нейронная сеть работает исключительно хорошо, когда восстанавливает изображения реального мира.

В исследованиях приняли участие сотрудники Самарского национального исследовательского  университета им. академика С.П. Королева. Результаты работы опубликованы в журнале Sensors.

Источник: ФНИЦ «Кристаллография и фотоника» РАН.