Istraživači kreiraju kameru bez objektiva
![Istraživači kreiraju kameru bez objektiva](/wp-content/uploads/tend-ncia/2832/18txfb8zk7.jpg)
Ono što se činilo nemogućim pretvara se u stvarnost. Nedavno smo ovdje na iPhoto Channelu objavili članak o projektu metalnih leća, revolucionarnoj tehnologiji koja može eliminirati sočiva fotoaparata. Međutim, to je bio samo koncept koji se proučava i razvija. Ali sada je grupa istraživača iz Tokyo Tech-a kreirala novu kameru bez sočiva koja koristi mašinsko učenje i može brzo i precizno snimiti oštre fotografije.
Vidi_takođe: Šta je plongée i contraplongée?„Bez ograničenja objektiva, Kamera bez sočiva mogla bi biti ultra-minijaturna, što bi moglo omogućiti nove aplikacije koje su izvan naše mašte", rekao je profesor Masahiro Yamaguchi s Tokijskog instituta za tehnologiju, koautor istraživačkog projekta.
Vidi_takođe: Netflix dokumentarni film prikazuje zastrašujuće izazove snimanja i fotografisanja divljih životinja![](/wp-content/uploads/tend-ncia/2832/18txfb8zk7.jpg)
Ideja kamere bez sočiva nije nova. Neki pokušaji su već napravljeni od 2013. Ali do tada su projekti nailazili na nedostatak oštrine slika i kašnjenje u obradi fotografija. To je zato što kamera bez objektiva ima samo tanku masku ispred senzora slike koji kodira i matematički rekonstruiše scene.
Prijašnje kamere bez sočiva koristile su metode za kontrolu svjetlosti koja udara u senzor slike i izvođenje sofisticiranih mjerenja načina na koji svjetlost stupa u interakciju s fizičkom maskom isenzor slike da bi zatim rekonstruisao sliku. Bez načina za fokusiranje svjetlosti, kamera bez sočiva snima mutnu sliku, koja se pomoću algoritma mora rekonstruirati u oštriju sliku. Pogledajte ovo u praksi kroz donju ilustraciju:
![](/wp-content/uploads/tend-ncia/2832/18txfb8zk7.jpeg)
Razumivanjem načina na koji svjetlost stupa u interakciju s tankom maskom ispred senzora slike, algoritam može dekodirati svjetlosne informacije i rekonstruirati fokusiranu scenu. Međutim, proces dekodiranja je izuzetno zahtjevan i zahtijeva puno resursa. Osim što oduzima vrijeme, generiranje dobrog kvaliteta slike zahtijeva savršen fizički model. Ako se algoritam zasniva na netačnoj aproksimaciji načina na koji svjetlost stupa u interakciju s maskom i senzorom, sistem kamere neće uspjeti.
Umjesto korištenja pristupa dekodiranja zasnovanog na modelu, tim u Tokyo Techu razvio je metodu rekonstrukcije sa novim algoritmom koji koristi mašinsko učenje. Zasniva se na tehnici zvanoj VisionTransformer (ViT) i obećava poboljšano globalno razmišljanje.
![](/wp-content/uploads/tend-ncia/2832/18txfb8zk7-1.jpeg)
Nova metoda, koja koristi neuronske mreže i povezani transformator, obećava bolje rezultate. Također, greške rekonstrukcije su smanjene i vrijeme izračunavanja je kraće. Tim vjeruje da se metoda može koristiti za snimanje visokokvalitetnih slika u realnom vremenu, nešto što nije bilo moguće s prethodnim fotoaparatima bez sočiva. Ako se ovo zaista dalje razvija u narednim godinama, suočit ćemo se s jednom od najvećih revolucija u procesu snimanja slike u povijesti fotografije. Pratit ćemo i uvijek vam donositi vijesti o kamerama bez objektiva.
U nastavku pročitajte sažetak studije koju su objavili autori istraživanja Xuixi Pan, Xiao Chen, Saori Takeyama i Masahiro Yamaguchi:
Kamera bez sočiva zasnovana na maski optički kodira scenu tankom maskom i nakon toga rekonstruiše sliku. Poboljšanje rekonstrukcije slike jedno je od najvažnijih pitanja u snimanju bez sočiva. Konvencionalni pristupi rekonstrukciji zasnovani na modelu, koji koristeznanja o fizičkom sistemu, podložni su nesavršenom modeliranju sistema.
Rekonstrukcija s dubokom neuronskom mrežom vođenom čistim podacima (DNN) izbjegava ovo ograničenje, čime ima potencijal da pruži bolji kvalitet rekonstrukcije. Međutim, postojeći pristupi rekonstrukcije čistog DNN-a za slike bez sočiva ne daju bolji rezultat od pristupa zasnovanih na modelu.
Otkrivamo da svojstvo multipleksiranja u optici bez sočiva čini globalne karakteristike bitnim za razumijevanje optički kodiranog uzorka. Dodatno, svi postojeći pristupi rekonstrukciji DNN-a primjenjuju potpuno konvolucione mreže (FCN) koje nisu efikasne u zaključivanju globalnih karakteristika.
Ovom analizom, po prvi put, koliko nam je poznato, predlaže se potpuno povezana neuronska mreža s transformatorom za rekonstrukciju slike. Predložena arhitektura je bolja u rasuđivanju globalnih resursa i stoga poboljšava rekonstrukciju. Superiornost predložene arhitekture je potvrđena poređenjem sa pristupima zasnovanim na modelu i FCN u optičkom eksperimentu. i samim tim poboljšava rekonstrukciju.
Nadmoć predložene arhitekture je potvrđena poređenjem pristupa zasnovanog na modelu i pristupa baziranog na FCN-u u optičkom eksperimentu. TO JE,stoga poboljšava rekonstrukciju. Superiornost predložene arhitekture je potvrđena poređenjem sa pristupima zasnovanim na modelu i FCN u optičkom eksperimentu.