Gumagawa ang mga mananaliksik ng camera na walang lens
![Gumagawa ang mga mananaliksik ng camera na walang lens](/wp-content/uploads/tend-ncia/2832/18txfb8zk7.jpg)
Ang tila imposible ay nagiging realidad. Nag-post kami kamakailan ng isang artikulo dito sa iPhoto Channel tungkol sa proyektong metallenses, isang rebolusyonaryong teknolohiya na maaaring mag-alis ng mga lente ng camera. Gayunpaman, ito ay isang konsepto lamang na pinag-aaralan at binuo. Ngunit ngayon, isang grupo ng mga mananaliksik sa Tokyo Tech ang lumikha ng bagong lensless camera na gumagamit ng machine learning at makakapag-capture ng matatalas na larawan nang mabilis at tumpak.
“Kung walang limitasyon ng isang lens, ang Ang lensless camera ay maaaring ultra-miniature, na maaaring paganahin ang mga bagong application na lampas sa aming imahinasyon," sabi ni Propesor Masahiro Yamaguchi ng Tokyo Institute of Technology, co-author ng proyektong pananaliksik.
Tingnan din: 5 tip para sa pagkuha ng larawan ng pagsikat at paglubog ng araw![](/wp-content/uploads/tend-ncia/2832/18txfb8zk7.jpg)
Hindi na bago ang ideya ng isang camera na walang lens. Ang ilang mga pagtatangka ay ginawa na mula noong 2013. Ngunit hanggang noon, ang mga proyekto ay tumakbo sa kakulangan ng talas ng mga imahe at ang pagkaantala sa pagproseso ng mga larawan. Iyon ay dahil ang isang camera na walang lens ay mayroon lamang isang manipis na maskara sa harap ng isang sensor ng imahe na nag-e-encode at mathematically reconstructs ng mga eksena.
Gumamit ang mga dating camera na walang lens para makontrol ang liwanag na tumatama sa sensor ng imahe at magsagawa ng mga sopistikadong sukat kung paano nakikipag-ugnayan ang liwanag sa pisikal na maskara at sasensor ng imahe upang muling buuin ang isang imahe. Kung walang paraan para mag-focus sa liwanag, ang isang walang lens na camera ay kumukuha ng malabong imahe, na dapat na gawing mas matalas na larawan gamit ang isang algorithm. Tingnan ito sa pagsasanay sa pamamagitan ng ilustrasyon sa ibaba:
![](/wp-content/uploads/tend-ncia/2832/18txfb8zk7.jpeg)
Sa pamamagitan ng pag-unawa kung paano nakikipag-ugnayan ang liwanag sa isang manipis na mask sa harap ng sensor ng imahe, nade-decode ng isang algorithm ang liwanag na impormasyon at muling buuin ang isang nakatutok na eksena. Gayunpaman, ang proseso ng pag-decode ay lubhang mahirap at masinsinang mapagkukunan. Bilang karagdagan sa paglalaan ng oras, ang pagbuo ng magandang kalidad ng imahe ay nangangailangan ng perpektong pisikal na modelo. Kung ang isang algorithm ay nakabatay sa isang hindi tumpak na pagtatantya kung paano nakikipag-ugnayan ang liwanag sa mask at sensor, mabibigo ang sistema ng camera.
Sa halip na gumamit ng diskarte sa pag-decode na nakabatay sa modelo, ang koponan sa Tokyo Tech ay bumuo ng isang paraan ng muling pagtatayo. na may bagong algorithm na gumagamit ng machine learning. Ito ay batay sa isang pamamaraan na tinatawag na VisionTransformer (ViT) at nangangako ng pinahusay na pandaigdigang pangangatwiran.
![](/wp-content/uploads/tend-ncia/2832/18txfb8zk7-1.jpeg)
Ang bagong pamamaraan, gamit ang mga neural network at konektadong transpormer, ay nangangako ng mas magagandang resulta. Gayundin, ang mga error sa muling pagtatayo ay nababawasan at ang mga oras ng pagkalkula ay mas maikli. Naniniwala ang team na magagamit ang pamamaraan para sa real-time na pagkuha ng mga de-kalidad na larawan, isang bagay na hindi posible sa mga nakaraang camera na walang lens. Kung ito ay talagang mag-evolve pa sa mga darating na taon, haharapin natin ang isa sa mga pinakamalaking rebolusyon sa proseso ng pagkuha ng larawan sa kasaysayan ng photography. Susubaybayan at palaging ihahatid namin sa iyo ang balita ng mga camera na walang lente.
Basahin sa ibaba ang buod ng pag-aaral na inilathala ng mga may-akda ng pananaliksik na sina Xuixi Pan, Xiao Chen, Saori Takeyama at Masahiro Yamaguchi:
Ang isang mask-based lensless camera ay optically na nag-e-encode sa eksena gamit ang isang manipis na mask at muling itinatayo ang larawan pagkatapos. Ang pagpapabuti ng muling pagtatayo ng imahe ay isa sa pinakamahalagang isyu sa lensless imaging. Maginoo modelo-based reconstruction approaches, na nakikinabang sakaalaman sa pisikal na sistema, ay madaling kapitan sa hindi perpektong pagmomodelo ng system.
Iniiwasan ng reconstruction na may pure data-driven deep neural network (DNN) ang limitasyong ito, kaya may potensyal na magbigay ng mas mahusay na kalidad ng reconstruction. Gayunpaman, ang mga umiiral na purong DNN reconstruction approach para sa lensless na mga imahe ay hindi nagbibigay ng mas magandang resulta kaysa sa model-based approach.
Ibinunyag namin na ang multiplexing property sa lensless optics ay ginagawang mahalaga ang mga global na feature sa pag-unawa sa optically encoded pattern. Bukod pa rito, lahat ng umiiral na DNN reconstruction approach ay naglalapat ng ganap na convolutional network (FCNs) na hindi mahusay sa pangangatwiran ng mga global na feature.
Sa pagsusuring ito, sa unang pagkakataon sa pagkakaalam namin, iminungkahi ang isang ganap na konektadong neural network na may transpormer para sa muling pagtatayo ng imahe. Ang iminungkahing arkitektura ay mas mahusay sa pangangatwiran ng mga pandaigdigang mapagkukunan at samakatuwid ay nagpapabuti sa muling pagtatayo. Ang higit na kahusayan ng iminungkahing arkitektura ay napatunayan sa pamamagitan ng paghahambing nito sa mga diskarte na batay sa modelo at batay sa FCN sa isang optical na eksperimento. at samakatuwid ay nagpapabuti sa muling pagtatayo.
Tingnan din: Ang 100 pinakamahusay na larawan ng 2021, ayon sa TIME magazineAng superyoridad ng iminungkahing arkitektura ay na-verify sa pamamagitan ng paghahambing ng mga diskarte na batay sa modelo at batay sa FCN sa isang optical na eksperimento. Ito ay,samakatuwid, pinapabuti nito ang muling pagtatayo. Ang kahusayan ng iminungkahing arkitektura ay nabe-verify sa pamamagitan ng paghahambing nito sa mga diskarte na batay sa modelo at batay sa FCN sa isang optical na eksperimento.