গৱেষকসকলে লেন্স নথকা কেমেৰা তৈয়াৰ কৰে
যিটো অসম্ভৱ যেন লাগিছিল সেয়া বাস্তৱলৈ পৰিণত হৈছে। আমি শেহতীয়াকৈ ইয়াত আইফ’ট’ চেনেলত মেটালেন্স প্ৰজেক্টৰ বিষয়ে এটা লেখা পোষ্ট কৰিলোঁ, যিটো এটা বৈপ্লৱিক প্ৰযুক্তি যিয়ে কেমেৰাৰ লেন্সক নিৰ্মূল কৰিব পাৰে। অৱশ্যে ই আছিল মাথোঁ অধ্যয়ন আৰু বিকাশৰ অধীনত থকা এটা ধাৰণা। কিন্তু এতিয়া টকিঅ’ টেকৰ গৱেষকৰ এটা দলে এটা নতুন লেন্সলেছ কেমেৰা তৈয়াৰ কৰিছে যিয়ে মেচিন লাৰ্নিং ব্যৱহাৰ কৰে আৰু দ্ৰুত আৰু সঠিকভাৱে চোকা ফটো তুলিব পাৰে।
“লেন্সৰ সীমাবদ্ধতা অবিহনে... লেন্সলেছ কেমেৰা আল্ট্ৰা-মিনিয়েচাৰ হ’ব পাৰে, যিয়ে আমাৰ কল্পনাৰ বাহিৰৰ নতুন প্ৰয়োগ সক্ষম কৰিব পাৰে।’- গৱেষণা প্ৰকল্পটোৰ সহ-লেখক টকিঅ’ ইনষ্টিটিউট অৱ টেকন’লজিৰ অধ্যাপক মাছাহিৰো ইয়ামাগুচিয়ে এইদৰে কয়।
See_also: পিচিৰ পৰা ইনষ্টাগ্ৰামত ফটো কেনেকৈ পোষ্ট কৰিব?টকিঅ' টেকৰ গৱেষকসকলে সৃষ্টি কৰা লেন্সলেছ কেমেৰাৰ প্ৰ'ট'টাইপলেন্সলেছ কেমেৰাৰ ধাৰণাটো নতুন নহয়। ২০১৩ চনৰ পৰাই ইতিমধ্যে কিছু প্ৰচেষ্টা চলোৱা হৈছে।কিন্তু তেতিয়ালৈকে প্ৰকল্পসমূহৰ মাজত ছবিসমূহৰ চোকাতাৰ অভাৱ আৰু ফটোসমূহ প্ৰক্ৰিয়াকৰণত পলম হৈছিল। কাৰণ লেন্স নথকা কেমেৰাত ইমেজ চেন্সৰৰ সন্মুখত মাত্ৰ এটা পাতল মাস্ক থাকে যিয়ে দৃশ্যবোৰ এনকোড আৰু গাণিতিকভাৱে পুনৰ নিৰ্মাণ কৰে।
পূৰ্বৰ লেন্সবিহীন কেমেৰাই ইমেজ চেন্সৰত আঘাত কৰা পোহৰ নিয়ন্ত্ৰণ কৰিবলৈ পদ্ধতি ব্যৱহাৰ কৰিছিল আৰু পোহৰে ভৌতিক মাস্ক আৰু...তাৰ পিছত এটা ছবি পুনৰ নিৰ্মাণ কৰিবলৈ ইমেজ চেন্সৰ। পোহৰক কেন্দ্ৰীভূত কৰাৰ কোনো উপায় অবিহনে লেন্সবিহীন কেমেৰাই এটা ম্লান ছবি ধৰি ৰাখে, যিটো এলগৰিদম ব্যৱহাৰ কৰি চোকা ছবিলৈ পুনৰ নিৰ্মাণ কৰিব লাগিব। তলৰ চিত্ৰখনৰ জৰিয়তে এইটো কাৰ্যক্ষেত্ৰত চাওক:
ইয়াৰ নামটোৱেই কোৱাৰ দৰে লেন্সবিহীন কেমেৰাই পৰম্পৰাগত অপটিকেল লেন্স ব্যৱহাৰ নকৰে। বৰঞ্চ ইয়াত কেৱল এটা চেন্সৰ আৰু এটা মাস্কহে অন্তৰ্ভুক্ত কৰা হৈছে। কেমেৰাই ইমেজ চেন্সৰৰ ওপৰত পোহৰ ফ’কাচ কৰাৰ কোনো উপায় নাই, গতিকে এটা এনকোডেড পেটাৰ্ণ আৰু মাস্ক আৰু ইমেজ চেন্সৰৰ সৈতে পোহৰে কেনেদৰে ক্ৰিয়া কৰে তাৰ তথ্য ব্যৱহাৰ কৰি এটা বিশদ ছবি পুনৰ নিৰ্মাণ কৰিব লাগিব। ক্ৰেডিট:Xiuxi Pan / Tokyo Institute of Technologyইমেজ চেন্সৰৰ সন্মুখত থকা পাতল মাস্কৰ সৈতে পোহৰে কেনেকৈ পাৰস্পৰিক ক্ৰিয়া কৰে সেই কথা বুজিলে এটা এলগৰিদমে পোহৰৰ তথ্য ডিকোড কৰি এটা কেন্দ্ৰীভূত দৃশ্য পুনৰ নিৰ্মাণ কৰিব পাৰে। কিন্তু ডিকোডিং প্ৰক্ৰিয়াটো অত্যন্ত প্ৰত্যাহ্বানমূলক আৰু সম্পদৰ প্ৰয়োজন। সময় লোৱাৰ উপৰিও ভাল ছবিৰ মান সৃষ্টি কৰিবলৈ এটা নিখুঁত ভৌতিক মডেলৰ প্ৰয়োজন হয়। যদি কোনো এলগৰিদম মাস্ক আৰু চেন্সৰৰ সৈতে পোহৰে কেনেকৈ ক্ৰিয়া কৰে তাৰ ভুল আনুমানিকতাৰ ওপৰত ভিত্তি কৰি তৈয়াৰ কৰা হয়, তেন্তে কেমেৰা ব্যৱস্থাটো বিফল হ’ব।
মডেল ভিত্তিক ডিকোডিং পদ্ধতি ব্যৱহাৰ কৰাৰ পৰিৱৰ্তে টকিঅ’ টেকৰ দলটোৱে পুনৰ্গঠন পদ্ধতি উদ্ভাৱন কৰিলে মেচিন লাৰ্নিং ব্যৱহাৰ কৰা এটা নতুন এলগৰিদমৰ সৈতে। ইয়াৰ ভিত্তি হৈছে Vision নামৰ কৌশলট্ৰেন্সফৰ্মাৰ (ViT) আৰু বিশ্বব্যাপী যুক্তিৰ উন্নতিৰ প্ৰতিশ্ৰুতি।
ইয়াত আমি লেন্স নোহোৱাকৈ নতুন কেমেৰাটো চাব পাৰো। ইয়াত এটা ইমেজ চেন্সৰ আৰু চেন্সৰৰ পৰা ২.৫ মি.মি. কৃত্ৰিম চিলিকা প্লেটত ক্ৰ’মিয়াম প্লেট কৰি এই মাস্ক নিৰ্মাণ কৰা হয়। ইয়াৰ এপাৰচাৰৰ আকাৰ ৪০×৪০ মাইক্ৰ’মিটাৰ। ক্ৰেডিট: জিউচি পান / টকিঅ' ইনষ্টিটিউট অৱ টেকন'লজিস্নায়ু নেটৱৰ্ক আৰু সংযুক্ত ট্ৰেন্সফৰ্মাৰ ব্যৱহাৰ কৰি নতুন পদ্ধতিটোৱে উন্নত ফলাফলৰ প্ৰতিশ্ৰুতি দিছে। লগতে পুনৰ্গঠনৰ ভুল হ্ৰাস পায় আৰু গণনাৰ সময় কম হয়। দলটোৱে বিশ্বাস কৰে যে এই পদ্ধতিৰ সহায়ত উচ্চমানৰ ছবি ৰিয়েল টাইম কেপচাৰ কৰিব পৰা যাব, যিটো পূৰ্বৰ লেন্সবিহীন কেমেৰাৰ সহায়ত সম্ভৱ নাছিল। যদিহে অনাগত বছৰবোৰত সঁচাকৈয়ে এই কথা আৰু অধিক বিকশিত হয়, তেন্তে আমি ফটোগ্ৰাফীৰ ইতিহাসৰ ইমেজ কেপচাৰ প্ৰক্ৰিয়াৰ অন্যতম বৃহৎ বিপ্লৱৰ সন্মুখীন হ’ম। আমি লেন্স নথকা কেমেৰাৰ খবৰ অনুসৰণ কৰিম আৰু সদায় আপোনালোকৰ বাবে লৈ আহিম।
গৱেষণাৰ লেখক জুইচি পান, জিয়াও চেন, ছাওৰী তাকেয়ামা আৰু মাছাহিৰো ইয়ামাগুচিয়ে প্ৰকাশ কৰা অধ্যয়নৰ সাৰাংশ তলত পঢ়ক:
এটা মাস্ক-ভিত্তিক লেন্সলেছ কেমেৰাই এটা পাতল মাস্কৰ সহায়ত দৃশ্যটোক অপটিকেলি এনকোড কৰে আৰু তাৰ পিছত ছবিখন পুনৰ নিৰ্মাণ কৰে। লেন্সবিহীন ইমেজিঙৰ অন্যতম গুৰুত্বপূৰ্ণ বিষয় হৈছে ছবি পুনৰ্গঠনৰ উন্নতি। গতানুগতিক মডেল-ভিত্তিক পুনৰ্গঠন পদ্ধতি, যিয়ে লিভাৰেজ...ভৌতিক ব্যৱস্থাৰ জ্ঞান, ব্যৱস্থাটোৰ অসম্পূৰ্ণ আৰ্হি নিৰ্মাণৰ প্ৰতি সহজলভ্য।
এটা বিশুদ্ধ তথ্য-চালিত গভীৰ স্নায়ু নেটৱৰ্ক (DNN) ৰ সৈতে পুনৰ্গঠনে এই সীমাবদ্ধতা এৰাই চলিব পাৰে, যাৰ ফলত উন্নত পুনৰ্গঠনৰ মান প্ৰদান কৰাৰ সম্ভাৱনা থাকে। কিন্তু লেন্সবিহীন ছবিৰ বাবে বৰ্তমানৰ বিশুদ্ধ ডিএনএন পুনৰ্গঠন পদ্ধতিয়ে মডেল ভিত্তিক পদ্ধতিতকৈ উন্নত ফলাফল প্ৰদান নকৰে।
আমি প্ৰকাশ কৰোঁ যে লেন্সবিহীন অপটিক্সত মাল্টিপ্লেক্সিং বৈশিষ্ট্যই অপটিকেলি এনকোড কৰা আৰ্হিটো বুজিবলৈ গোলকীয় বৈশিষ্ট্যসমূহক অপৰিহাৰ্য কৰি তোলে। ইয়াৰ উপৰিও, সকলো বৰ্তমানৰ DNN পুনৰ্গঠন পদ্ধতিয়ে সম্পূৰ্ণৰূপে কনভল্যুচনেল নেটৱৰ্ক (FCNs) প্ৰয়োগ কৰে যি গোলকীয় বৈশিষ্ট্যসমূহৰ যুক্তিযুক্ততাত দক্ষ নহয়।
See_also: জেন মেন্সফিল্ডৰ সৈতে বিখ্যাত ফটোখনৰ বিষয়ে বুজাইছে ছফিয়া লৰেনেএই বিশ্লেষণৰ জৰিয়তে আমি জনাত প্ৰথমবাৰৰ বাবে ছবি পুনৰ্গঠনৰ বাবে ট্ৰেন্সফৰ্মাৰৰ সৈতে এটা সম্পূৰ্ণ সংযুক্ত স্নায়ু নেটৱৰ্ক প্ৰস্তাৱ কৰা হৈছে। প্ৰস্তাৱিত স্থাপত্যই বিশ্ব সম্পদৰ যুক্তিযুক্ততাত ভাল আৰু সেয়েহে পুনৰ্নিৰ্মাণৰ উন্নতি সাধন কৰে। প্ৰস্তাৱিত স্থাপত্যৰ শ্ৰেষ্ঠত্ব পৰীক্ষা কৰা হয় ইয়াক এটা অপটিকেল পৰীক্ষাত মডেল-ভিত্তিক আৰু এফচিএন-ভিত্তিক পদ্ধতিৰ সৈতে তুলনা কৰি। আৰু সেয়েহে পুনৰ্গঠনৰ উন্নতি সাধন কৰে।
প্ৰস্তাৱিত স্থাপত্যৰ শ্ৰেষ্ঠত্ব পৰীক্ষা কৰা হয় এটা অপটিকেল পৰীক্ষাত মডেল-ভিত্তিক আৰু এফচিএন-ভিত্তিক পদ্ধতি তুলনা কৰি। এইটো হয়,সেয়েহে ই পুনৰ্গঠনৰ উন্নতি সাধন কৰে। প্ৰস্তাৱিত স্থাপত্যৰ শ্ৰেষ্ঠত্ব পৰীক্ষা কৰা হয় ইয়াক এটা অপটিকেল পৰীক্ষাত মডেল-ভিত্তিক আৰু এফচিএন-ভিত্তিক পদ্ধতিৰ সৈতে তুলনা কৰি।