Direct Zernike Coefficient Prediction from Point Spread Functions and Extended Images using Deep Learning

要約

光学イメージングの品質は、システムやサンプルに起因する収差によって大幅に低下する可能性があります。
既存の補償光学システムは通常、反復探索アルゴリズムに依存して収差を補正し、画像を改善します。
この研究は、2 ～ 3 つの位相の異なる光学画像からゼルニケ係数を直接予測することにより、光学収差を特徴付ける畳み込みニューラル ネットワークの適用を実証します。
最初の 25 個のゼルニケ係数を使用して、-1 ～ 1 ラジアンの範囲内でランダムに生成された 600,000 個のシミュレートされた点像分布関数 (PSF) データセットでネットワークを評価しました。
結果は、振幅 1 で焦点面の上、下、および焦点面で撮影された 3 つの位相多様な画像のみを使用することで、シミュレートされた PSF データセットで 0.10 ラジアンの低い RMSE が達成されることを示しています。
さらに、このアプローチは、0.15 ラジアンの同等の RMSE を維持しながら、ゼルニケ モードでシミュレートされた拡張 2D サンプルを直接予測します。
このアプローチは、単一の予測ステップのみを使用して効果的であるか、または少ない回数反復できることを示します。
このシンプルで簡単な手法は、3 つ以下の位相の異なる画像を使用して収差補正を予測するための迅速かつ正確な方法を提供し、実世界のデータセットでの評価への道を開きます。

要約(オリジナル)

Optical imaging quality can be severely degraded by system and sample induced aberrations. Existing adaptive optics systems typically rely on iterative search algorithm to correct for aberrations and improve images. This study demonstrates the application of convolutional neural networks to characterise the optical aberration by directly predicting the Zernike coefficients from two to three phase-diverse optical images. We evaluated our network on 600,000 simulated Point Spread Function (PSF) datasets randomly generated within the range of -1 to 1 radians using the first 25 Zernike coefficients. The results show that using only three phase-diverse images captured above, below and at the focal plane with an amplitude of 1 achieves a low RMSE of 0.10 radians on the simulated PSF dataset. Furthermore, this approach directly predicts Zernike modes simulated extended 2D samples, while maintaining a comparable RMSE of 0.15 radians. We demonstrate that this approach is effective using only a single prediction step, or can be iterated a small number of times. This simple and straightforward technique provides rapid and accurate method for predicting the aberration correction using three or less phase-diverse images, paving the way for evaluation on real-world dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google