L'IA peut révéler des objets invisibles dans l'obscurité totale

• Les chercheurs du MIT utilisent des réseaux de neurones profonds pour révéler des objets invisibles dans l'obscurité totale.
• Il peut imager des cellules et des tissus biologiques sans les exposer à des rayons nocifs et à une lumière intense.

La plupart des systèmes d'imagerie ne produisent que des données déformées ou partielles sur l'objet en cours d'imagerie. Cela se produit principalement en raison du manque d'informations de phase, de la perte de fréquences spatiales, du bruit dans l'éclairage et de diffuseurs inconnus dans le train optique.

Au cours des dernières années, une technique d'apprentissage automatique appelée réseau de neurones profonds a attiré beaucoup d'attention dans le domaine de l'imagerie informatique. Il s'est avéré être un solveur efficace dans une variété d'applications, y compris l'imagerie fantôme, l'optique adaptative, la microscopie à éclairage adaptatif, la récupération de phase, la tomographie optique et l'imagerie sous-échantillonnée.

Pour le premier, une équipe de chercheurs du MIT a utilisé des réseaux de neurones profonds pour résoudre un problème de récupération de phase cohérente affecté par un bruit élevé à différents niveaux. Dans un langage simple, ils ont découvert une méthode pour révéler des objets invisibles dans l'obscurité totale.

C'est très différent de la technique existante de "mode nuit" basée sur l'IA que l'on trouve dans le smartphone Pixel 3 de Google, qui peut capturer plusieurs images bruyantes et produire des photos claires, mais elle nécessite un peu de lumière pour commencer. La technique du MIT, quant à elle, fonctionne dans une pièce complètement sombre. Il ne nécessite qu'un photon par pixel.

Comment ils ont fait ça ?

Les chercheurs ont d'abord capturé des images d'objets cibles dans des conditions presque noires. Ils ont ensuite recréé des objets transparents à partir de ces images. Pour ce faire, ils ont utilisé des réseaux de neurones profonds, qui sont entraînés à reconnaître plus de 10 000 gravures transparentes ressemblant à du verre à partir d'images sombres et granuleuses qui sont invisibles à l'œil humain.

Référence : lettres d'examen physique | doi:10.1103/PhysRevLett.121.243902 | MIT

Les images elles-mêmes, capturées dans une pièce sombre, ressemblaient au bruit statique que l'on pouvait voir sur une télévision. Les réseaux de neurones sont entraînés sur ces images ainsi que sur les motifs correspondants sous le bruit visuel.

Peu à peu, le réseau a appris à comprendre le bruit visuel. Cela a finalement généré des images floues. Pour rendre ces images plus claires, l'équipe a ajouté une couche qui peut focaliser la sortie.

Avec l'aimable autorisation des chercheurs 

Dans l'image ci-dessus, vous pouvez voir l'image sombre (en haut à gauche), qui est générée à partir d'une gravure transparente (extrême droite). Les chercheurs ont utilisé un algorithme physique basé sur le comportement de la lumière pour recréer l'objet (en haut à droite). La technique d'apprentissage automatique a créé une image assez floue (en bas à gauche). Ils ont combiné à la fois un algorithme physique et une technique d'apprentissage automatique pour reconstruire l'image la plus précise (en bas à droite) d'un objet/scène réel.

En quoi est-ce utile ?

L'IA pourrait être utilisée pour éclairer des éléments transparents tels que des cellules et des tissus biologiques, dans des images capturées avec une très faible luminosité. Les cellules peuvent être facilement brûlées ou endommagées si elles sont exposées à une lumière intense, et il ne restera alors plus rien à imager. De plus, lorsque les patients sont exposés aux rayons X, ils risquent de développer un cancer.

Lire :Y a-t-il quelque chose qui s'appelle des photons sombres | La particule hypothétique

Cette étude pourrait aider dans de tels cas :des chercheurs ont permis d'obtenir la même qualité d'image en exposant les cellules et les tissus à moins de photons. Cela réduit considérablement les dommages causés aux spécimens biologiques lors de leur échantillonnage. De plus, la technologie pourrait offrir une gamme d'applications potentiellement utiles dans le domaine de l'imagerie astronomique.