基于旋转记忆效应启发Radon域学习赋能多模光纤图像传输的RTMnet新方法

来自国内的研究人员针对多模光纤(MMF)图像传输中因复杂光传输和信息丢失导致的逆问题，创新性地提出受旋转记忆效应启发的Radon域学习框架RTMnet。该研究通过Radon变换将散斑图像转换至正弦图域，结合物理引导的稀疏性学习，仅用7000张非旋转手写数字训练数据即可实现任意旋转角度的高保真重建，计算需求比传统深度神经网络(DNN)降低一个数量级，为微型内窥镜等资源受限场景提供新解决方案。

　　

多模光纤(MMF)中的图像传输面临复杂逆问题挑战，传统全连接(FC)网络和卷积神经网络(CNN)难以有效利用系统固有稀疏性。受旋转记忆效应物理特性启发，研究者开发出超紧凑Radon传输网络(RTMnet)——通过Radon变换将捕获的散斑图像转换至正弦图域进行物理引导学习。这种跨域学习框架仅需7000张非旋转手写数字训练数据，即可实现任意旋转角度图像的高保真重建，计算需求较传统深度神经网络(DNN)降低10倍。该突破性技术显著提升学习效率，其物理一致性为微型内窥镜等资源受限的纤维应用提供了极具前景的解决方案，作者声明无利益冲突。