論文の概要: Complex-valued universal linear transformations and image encryption using spatially incoherent diffractive networks

• arxiv url: http://arxiv.org/abs/2310.03384v1
• Date: Thu, 5 Oct 2023 08:43:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 17:07:27.807296
• Title: Complex-valued universal linear transformations and image encryption using spatially incoherent diffractive networks
• Title（参考訳）: 空間的非コヒーレント回折ネットワークを用いた複素値普遍線形変換と画像暗号化
• Authors: Xilin Yang, Md Sadman Sakib Rahman, Bijie Bai, Jingxi Li, Aydogan Ozcan
• Abstract要約: 光学プロセッサとして、D2NN(Diffractive Deep Neural Network)は、機械学習によって設計された回折曲面を用いて、全光学情報処理を行う。 空間的に非コヒーレントな微分視覚プロセッサは、複雑な値の線形変換を近似し、非コヒーレント照明を用いた全光画像暗号化に使用できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As an optical processor, a Diffractive Deep Neural Network (D2NN) utilizes engineered diffractive surfaces designed through machine learning to perform all-optical information processing, completing its tasks at the speed of light propagation through thin optical layers. With sufficient degrees-of-freedom, D2NNs can perform arbitrary complex-valued linear transformations using spatially coherent light. Similarly, D2NNs can also perform arbitrary linear intensity transformations with spatially incoherent illumination; however, under spatially incoherent light, these transformations are non-negative, acting on diffraction-limited optical intensity patterns at the input field-of-view (FOV). Here, we expand the use of spatially incoherent D2NNs to complex-valued information processing for executing arbitrary complex-valued linear transformations using spatially incoherent light. Through simulations, we show that as the number of optimized diffractive features increases beyond a threshold dictated by the multiplication of the input and output space-bandwidth products, a spatially incoherent diffractive visual processor can approximate any complex-valued linear transformation and be used for all-optical image encryption using incoherent illumination. The findings are important for the all-optical processing of information under natural light using various forms of diffractive surface-based optical processors.
• Abstract（参考訳）: 光学プロセッサとして、D2NN(Diffractive Deep Neural Network)は、機械学習によって設計された回折曲面を用いて全光学情報処理を行い、そのタスクを薄い光層による光伝搬速度で完了する。 十分な自由度で、D2NNは空間コヒーレント光を用いて任意の複素値線形変換を行うことができる。 同様に、D2NNは空間的に非コヒーレントな照明で任意の線形強度変換を行うこともできるが、空間的に非コヒーレントな光の下では、これらの変換は非負であり、入力視野(FOV)における回折制限光強度パターンに作用する。 本稿では,空間的不整合D2NNを複素値情報処理に拡張し,空間的不整合光を用いて任意の複素値線形変換を実行する。 入力・出力空間幅積の乗算によるしきい値を超えて最適化された回折特性の数が増加すると、空間的に非コヒーレントな回折能のあるビジュアルプロセッサが任意の複素値線形変換を近似し、非コヒーレント照明を用いた全光学画像暗号化に使用できることを示す。 本研究は, 各種回折表面型光プロセッサを用いた自然光下での情報の全光処理において重要である。

関連論文リスト

• Spatial-frequency Dual-Domain Feature Fusion Network for Low-Light Remote Sensing Image Enhancement [49.15531684596958]
  低照度リモートセンシング画像強調のためのDFFN(Dual-Domain Feature Fusion Network)を提案する。 第1フェーズは振幅情報を学習して画像輝度を復元し、第2フェーズは位相情報を学習して詳細を洗練させる。 我々は、現在の暗光リモートセンシング画像強調におけるデータセットの欠如に対応するために、2つの暗光リモートセンシングデータセットを構築した。
  論文  参考訳（メタデータ） (2024-04-26T13:21:31Z)
• All-optical modulation with single-photons using electron avalanche [69.65384453064829]
  単光子強度ビームを用いた全光変調の実証を行った。 本稿では,テラヘルツ高速光スイッチングの可能性を明らかにする。
  論文  参考訳（メタデータ） (2023-12-18T20:14:15Z)
• Shaping Single Photons through Multimode Optical Fibers using Mechanical Perturbations [55.41644538483948]
  単一の光子の形状と絡み合った光子対間の空間的相関を制御するための全ファイバーアプローチを示す。 これらの摂動を最適化し、単一光子の空間分布や光子対の空間相関を1箇所に局在させる。
  論文  参考訳（メタデータ） (2023-06-04T07:33:39Z)
• Universal Linear Intensity Transformations Using Spatially-Incoherent Diffractive Processors [0.0]
  空間的不整合光の下では、微分光学ネットワークは任意の複素値線形変換を行うように設計されている。 空間的非コヒーレントな拡散ネットワークは任意の線形強度変換を全光的に行うことができることを数値的に示す。
  論文  参考訳（メタデータ） (2023-03-23T04:51:01Z)
• Time-lapse image classification using a diffractive neural network [0.0]
  回折ネットワークを用いたタイムラプス画像分類方式を初めて示す。 CIFAR-10データセットからの物体の光学的分類におけるブラインドテスト精度は62.03%である。 これは、これまで1つの回折ネットワークを用いて達成された最も高い推測精度を構成する。
  論文  参考訳（メタデータ） (2022-08-23T08:16:30Z)
• Tunable directional photon scattering from a pair of superconducting qubits [105.54048699217668]
  光とマイクロ波の周波数範囲では、外部磁場を印加することで調整可能な方向性を実現することができる。 伝送線路に結合した2つのトランスモン量子ビットで調整可能な指向性散乱を示す。
  論文  参考訳（メタデータ） (2022-05-06T15:21:44Z)
• All-Optical Synthesis of an Arbitrary Linear Transformation Using Diffractive Surfaces [0.0]
  入力(N_i)と出力(N_o)の間の任意の複素値線形変換を全光学的に行うための微分曲面の設計を報告する。 また,対象変換に対応する入力/出力フィールドの例を用いて,拡散面の伝達係数を最適化する深層学習に基づく設計手法についても検討する。 解析の結果、空間工学的特徴/ニューロンの総数(N)がN_i x N_o以上であれば、どちらの設計手法も目標変換の完全な光学的実装に成功し、無視可能な誤差を達成できることがわかった。
  論文  参考訳（メタデータ） (2021-08-22T20:40:35Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)
• Scale-, shift- and rotation-invariant diffractive optical networks [0.0]
  D2NN(Diffractive Deep Neural Networks)は、一連のトレーニング可能な表面上の光-物質相互作用を利用して、所望の統計的推論タスクを計算する。 そこで本研究では,学習期間中に入力オブジェクトの変換,回転,スケーリングを導入する,拡散型ネットワークの新たなトレーニング戦略を示す。 このトレーニング戦略は、スケール、シフト、回転不変の解への微分光学ネットワーク設計の進化をうまく導く。
  論文  参考訳（メタデータ） (2020-10-24T02:18:39Z)
• Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
  集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。 このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。 線形光ネットワークの転送行列を再構成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-01T16:04:22Z)
• All-Optical Information Processing Capacity of Diffractive Surfaces [0.0]
  回折面によって形成されるコヒーレント光ネットワークの情報処理能力について解析する。 我々は、全光学解空間の次元性は、光ネットワーク内の回折面の数に線形に比例することを示した。 より多くのトレーニング可能な曲面からなるより深い微分ネットワークは、複素数値線型変換の高次元部分空間をカバーすることができる。
  論文  参考訳（メタデータ） (2020-07-25T00:40:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。