Судлаачид линзгүй камер бүтээжээ
![Судлаачид линзгүй камер бүтээжээ](/wp-content/uploads/tend-ncia/2832/18txfb8zk7.jpg)
Боломжгүй мэт санагдаж байсан зүйл бодит байдал болон хувирч байна. Бид саяхан iPhoto суваг дээр камерын линзийг устгаж чадах хувьсгалт технологи болох metallenses төслийн тухай нийтлэл нийтэлсэн. Гэсэн хэдий ч энэ нь зөвхөн судалж, боловсруулж буй ойлголт байсан. Харин одоо Tokyo Tech-ийн хэсэг судлаачид шинэ линзгүй камер бүтээсэн бөгөөд энэ нь машины сургалтыг ашигладаг бөгөөд хурц гэрэл зургийг хурдан бөгөөд үнэн зөв авах боломжтой.
“Линзний хязгаарлалтгүйгээр Линзгүй камер нь хэт жижиг хэмжээтэй байж болох бөгөөд энэ нь бидний төсөөлөхөөс давсан шинэ хэрэглээг бий болгож чадна" гэж судалгааны төслийн хамтран зохиогч, Токиогийн технологийн хүрээлэнгийн профессор Масахиро Ямагучи хэлэв.
![](/wp-content/uploads/tend-ncia/2832/18txfb8zk7.jpg)
Линзгүй камер бүтээх санаа нь шинэ зүйл биш юм. 2013 оноос хойш зарим оролдлого хийсэн. Гэвч тэр болтол төслүүд нь зургийн хурц тод байдал, зураг боловсруулах ажил удаашралтай тулгарсан. Учир нь линзгүй камер нь дүрсний мэдрэгчийн өмнө зөвхөн нимгэн масктай байдаг бөгөөд энэ нь үзэгдлийг кодлож, математикийн аргаар сэргээдэг.
Өмнөх линзгүй камерууд нь дүрс мэдрэгч рүү тусах гэрлийг хянах аргуудыг ашигладаг байсан бөгөөд гэрэл нь физик маск болон дэлгэцтэй хэрхэн харьцдаг талаар нарийн хэмжилт хийдэг байсан.дүрс мэдрэгч ашиглан зургийг дахин бүтээнэ. Гэрэлд анхаарлаа төвлөрүүлэх арга байхгүй бол линзгүй камер нь бүдэг зураг авдаг бөгөөд үүнийг алгоритмын тусламжтайгаар илүү тод дүрс болгон дахин бүтээх ёстой. Үүнийг доорх зургаар практик дээр харна уу:
![](/wp-content/uploads/tend-ncia/2832/18txfb8zk7.jpeg)
Зургийн мэдрэгчийн урд байрлах нимгэн масктай гэрэл хэрхэн харилцан үйлчилдгийг ойлгосноор алгоритм нь гэрлийн мэдээллийг тайлж, төвлөрсөн дүр зургийг сэргээж чадна. Гэсэн хэдий ч код тайлах үйл явц нь маш хэцүү бөгөөд нөөц их шаарддаг. Сайн зургийн чанарыг бий болгохын тулд цаг хугацаа шаардахаас гадна төгс физик загвар шаардлагатай. Хэрэв алгоритм нь гэрэл маск болон мэдрэгчтэй хэрхэн харьцдаг тухай буруу ойролцоо тооцоолол дээр үндэслэсэн бол камерын систем бүтэлгүйтэх болно.
Мөн_үзнэ үү: Photoshop-д зориулсан 7 үнэгүй залгаасЗагварт суурилсан код тайлах аргыг ашиглахын оронд Токио Техникийн баг сэргээн босгох аргыг боловсруулсан. машин сургалтыг ашигладаг шинэ алгоритмтай. Энэ нь Vision хэмээх техник дээр суурилдагTransformer (ViT) ба дэлхийн үндэслэлийг сайжруулах амлалтууд.
![](/wp-content/uploads/tend-ncia/2832/18txfb8zk7-1.jpeg)
Мэдрэлийн сүлжээ болон холбогдсон трансформаторыг ашигласан шинэ арга нь илүү сайн үр дүнг амлаж байна. Мөн сэргээн босголтын алдаа багасч, тооцоолох хугацаа богиноссон. Өмнөх линзгүй камеруудад боломжгүй байсан энэ аргыг бодит цаг хугацаанд өндөр чанартай зураг авахад ашиглаж болно гэж багийнхан үзэж байна. Хэрэв энэ нь үнэхээр ойрын жилүүдэд улам бүр хөгжих юм бол бид гэрэл зургийн түүхэн дэх зураг авах үйл явц дахь хамгийн том хувьсгалуудын нэгтэй тулгарах болно. Бид танд линзгүй камерын мэдээг байнга дагаж, хүргэж байх болно.
Судалгааны зохиогч Сюйси Пан, Шиао Чен, Саори Такеяма, Масахиро Ямагучи нарын нийтэлсэн судалгааны хураангуйг доороос уншина уу:
Маск дээр суурилсан линзгүй камер нь дүр зургийг нимгэн маскаар оптик байдлаар кодлож, дараа нь зургийг дахин бүтээдэг. Зургийн сэргээн босголтыг сайжруулах нь линзгүй дүрслэлийн хамгийн чухал асуудлын нэг юм. Загварт суурилсан сэргээн босголтын уламжлалт аргууд нь хөшүүрэг болдогФизик системийн талаархи мэдлэг нь системийн төгс бус загварчлалд өртөмтгий байдаг.
Цэвэр өгөгдөлд суурилсан гүн мэдрэлийн сүлжээ (DNN) ашиглан сэргээн босгох нь энэ хязгаарлалтаас зайлсхийж, дахин сэргээн засварлах чанарыг сайжруулах боломжтой юм. Гэсэн хэдий ч одоо байгаа линзгүй зургуудын цэвэр DNN-ийн сэргээн босголт нь загварт суурилсан аргуудаас илүү үр дүнг өгдөггүй.
Линзгүй оптикийн олон талт шинж чанар нь оптик кодлогдсон хэв маягийг ойлгоход глобал шинж чанарыг чухал болгодог гэдгийг бид харуулж байна. Нэмж дурдахад, одоо байгаа DNN-ийн сэргээн босголтын бүх арга барилууд нь дэлхийн онцлогийг ойлгоход үр ашиггүй бүрэн эргэлтийн сүлжээг (FCNs) ашигладаг.
Мөн_үзнэ үү: ChatGPT дээр хийж болох 20 гайхалтай зүйлЭнэхүү шинжилгээгээр бидний мэдэж байгаагаар анх удаа дүрсийг сэргээх трансформатор бүхий бүрэн холбогдсон мэдрэлийн сүлжээг санал болгож байна. Санал болгож буй архитектур нь дэлхийн нөөцийн үндэслэлийг илүү сайн ойлгох чадвартай тул дахин бүтээн байгуулалтыг сайжруулдаг. Санал болгож буй архитектурын давуу талыг загварт суурилсан болон FCN-д суурилсан аргуудтай оптик туршилтаар харьцуулж баталгаажуулдаг. улмаар сэргээн босголтыг сайжруулдаг.
Санал болгож буй архитектурын давуу талыг загварт суурилсан болон FCN-д суурилсан аргуудыг оптик туршилтаар харьцуулж баталгаажуулдаг. Энэ бол,тиймээс энэ нь сэргээн босголтыг сайжруулдаг. Санал болгож буй архитектурын давуу талыг загварт суурилсан болон FCN-д суурилсан аргуудтай оптик туршилтаар харьцуулж баталгаажуулдаг.