محققان دوربینی بدون لنز می‌سازند
آنچه غیرممکن به نظر می رسید در حال تبدیل شدن به واقعیت است. ما اخیراً مقاله‌ای را در کانال iPhoto در مورد پروژه لنزهای فلزی منتشر کرده‌ایم، فناوری انقلابی که می‌تواند لنزهای دوربین را حذف کند. با این حال، این فقط یک مفهوم در دست مطالعه و توسعه بود. اما اکنون، گروهی از محققان در توکیو فناوری دوربین بدون لنز جدیدی ایجاد کرده‌اند که از یادگیری ماشینی استفاده می‌کند و می‌تواند عکس‌های شارپ را به سرعت و با دقت ثبت کند.
«بدون محدودیت‌های یک لنز، پروفسور ماساهیرو یاماگوچی از مؤسسه فناوری توکیو و یکی از نویسندگان این پروژه تحقیقاتی گفت: دوربین بدون لنز می تواند فوق مینیاتوری باشد که می تواند کاربردهای جدیدی را که فراتر از تصور ما هستند را فعال کند.
همچنین ببینید: عکس های سلبریتی جی آر دوراننمونه اولیه دوربین بدون لنز ایجاد شده توسط محققان فناوری توکیوایده دوربین بدون لنز جدید نیست. از سال 2013 تاکنون برخی تلاش‌ها انجام شده است. اما تا آن زمان، پروژه‌ها با عدم وضوح تصاویر و تاخیر در پردازش عکس‌ها مواجه شدند. دلیلش این است که دوربین بدون لنز فقط یک ماسک نازک در جلوی حسگر تصویر دارد که صحنه ها را رمزگذاری و به صورت ریاضی بازسازی می کند.
دوربین‌های بدون لنز قبلی از روش‌هایی برای کنترل نور برخورد با سنسور تصویر و انجام اندازه‌گیری‌های پیچیده از نحوه تعامل نور با ماسک فیزیکی وحسگر تصویر برای بازسازی یک تصویر. بدون راهی برای فوکوس کردن نور، یک دوربین بدون لنز تصویری تار می گیرد که باید با استفاده از یک الگوریتم به تصویر واضح تر بازسازی شود. این را در عمل از طریق تصویر زیر مشاهده کنید:
همانطور که از نامش پیداست، یک دوربین بدون لنز از لنزهای اپتیکال سنتی استفاده نمی کند. در عوض، فقط شامل یک سنسور و یک ماسک است. هیچ راهی برای دوربین برای تمرکز نور بر روی حسگر تصویر وجود ندارد، بنابراین یک تصویر دقیق باید با استفاده از یک الگوی کدگذاری شده و اطلاعاتی در مورد نحوه تعامل نور با ماسک و سنسور تصویر بازسازی شود. اعتبار:Xiuxi Pan / موسسه فناوری توکیوبا درک نحوه تعامل نور با یک ماسک نازک در جلوی حسگر تصویر، یک الگوریتم می‌تواند اطلاعات نور را رمزگشایی کند و یک صحنه متمرکز را بازسازی کند. با این حال، فرآیند رمزگشایی بسیار چالش برانگیز و منابع فشرده است. علاوه بر صرف زمان، ایجاد کیفیت تصویر خوب به یک مدل فیزیکی کامل نیاز دارد. اگر یک الگوریتم مبتنی بر تقریب نادرست از نحوه تعامل نور با ماسک و سنسور باشد، سیستم دوربین از کار می افتد.
به جای استفاده از یک رویکرد رمزگشایی مبتنی بر مدل، تیم توکیو فناوری یک روش بازسازی را توسعه داد. با الگوریتم جدیدی که از یادگیری ماشینی استفاده می کند. این بر اساس تکنیکی به نام Vision استترانسفورماتور (ViT) و قول بهبود استدلال جهانی را می دهد.
در اینجا می توانیم دوربین جدید را بدون لنز ببینیم. این شامل یک سنسور تصویر و یک ماسک در فاصله 2.5 میلی متری سنسور است. این ماسک با آبکاری کروم بر روی یک صفحه سیلیس مصنوعی ساخته می شود. اندازه دیافراگم آن 40×40 میکرومتر است. اعتبار: Xiuxi Pan / موسسه فناوری توکیوروش جدید، با استفاده از شبکه های عصبی و یک ترانسفورماتور متصل، نتایج بهتری را نوید می دهد. همچنین خطاهای بازسازی کاهش یافته و زمان محاسبات کوتاهتر می شود. این تیم معتقد است که این روش می تواند برای ثبت تصاویر با کیفیت بالا در زمان واقعی استفاده شود، چیزی که با دوربین های بدون لنز قبلی امکان پذیر نبود. اگر این واقعاً در سال‌های آینده تکامل بیشتری پیدا کند، با یکی از بزرگ‌ترین انقلاب‌ها در فرآیند ثبت تصویر در تاریخ عکاسی روبرو خواهیم بود. ما اخبار دوربین های بدون لنز را دنبال می کنیم و همیشه به شما خواهیم رساند.
خلاصه ای از مطالعه منتشر شده توسط نویسندگان تحقیق Xuixi Pan، Xiao Chen، Saori Takeyama و Masahiro Yamaguchi را در زیر بخوانید:
یک دوربین بدون لنز مبتنی بر ماسک به صورت اپتیکال صحنه را با یک ماسک نازک رمزگذاری می کند و پس از آن تصویر را بازسازی می کند. بهبود بازسازی تصویر یکی از مهمترین مسائل در تصویربرداری بدون لنز است. رویکردهای بازسازی مبتنی بر مدل مرسوم، که از اهرمدانش سیستم فیزیکی، مستعد مدلسازی ناقص سیستم هستند.
بازسازی با یک شبکه عصبی عمیق مبتنی بر داده خالص (DNN) از این محدودیت جلوگیری می کند، بنابراین پتانسیل ارائه کیفیت بازسازی بهتر را دارد. با این حال، رویکردهای بازسازی DNN خالص موجود برای تصاویر بدون لنز، نتیجه بهتری نسبت به رویکردهای مبتنی بر مدل ارائه نمی‌دهند.
همچنین ببینید: Google Arts & فرهنگ: برنامه Google شخصیت هایی را در آثار هنری پیدا می کند که شبیه شما هستندما نشان می‌دهیم که خاصیت مالتی پلکس در اپتیک بدون لنز، ویژگی‌های جهانی را در درک الگوی رمزگذاری شده نوری ضروری می‌سازد. علاوه بر این، تمام رویکردهای بازسازی DNN موجود، شبکه‌های کاملاً پیچیده (FCNs) را اعمال می‌کنند که در استدلال ویژگی‌های جهانی کارآمد نیستند.
با این تجزیه و تحلیل، برای اولین بار تا آنجا که می دانیم، یک شبکه عصبی کاملا متصل با یک ترانسفورماتور برای بازسازی تصویر پیشنهاد شده است. معماری پیشنهادی در استدلال منابع جهانی بهتر است و بنابراین بازسازی را بهبود می بخشد. برتری معماری پیشنهادی با مقایسه آن با رویکردهای مبتنی بر مدل و مبتنی بر FCN در یک آزمایش نوری تأیید می‌شود. و بنابراین بازسازی را بهبود می بخشد.
برتری معماری پیشنهادی با مقایسه رویکردهای مبتنی بر مدل و مبتنی بر FCN در یک آزمایش نوری تأیید می‌شود. این است،بنابراین، بازسازی را بهبود می بخشد. برتری معماری پیشنهادی با مقایسه آن با رویکردهای مبتنی بر مدل و مبتنی بر FCN در یک آزمایش نوری تأیید می‌شود.
