.png){kind=icon}
.png){kind=icon}
返回
Machine learning with sub-diffraction resolution in the photon-counting regime
.png){kind=icon}
OA
AI
DOI：10.1007/s42484-025-00262-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
光学成像的分辨率传统上受限于点扩展函数的宽度，而点扩展函数的宽度又由瑞利长度决定。最近，空间模式解复用（SPADE）被提出作为一种实现亚瑞利估计和区分自然非相干光源的方法。在这里，我们展示了SPADE在图像分类的更广泛背景下能够实现亚衍射分辨率。为此，我们概述了一种用于图像分类的混合机器学习算法，该算法包含物理部分和计算部分。物理部分实现了光学场的物理预处理，而这种预处理在没有显著降低信噪比的情况下无法被模拟。具体而言，使用空间模式解复用来对横向场进行分类，随后进行模式化的光子检测。在计算部分，收集的数据被输入人工神经网络进行训练和分类。作为一个案例研究，我们在由于衍射导致的严重模糊后对MNIST数据集中的图像进行分类。我们的数值实验证明了分类高度模糊图像的能力，而这些图像在没有光学场物理预处理的情况下，通过直接成像将是无法区分的。
Keyword:
Super-resolution
Quantum-inspired algorithms
Machine learning