衍射神经网络中的相干性意识
使用光学全衍射深度神经网络(D2NN)进行手写数字分类和成像透镜功能的学习，可以在光速下执行复杂函数，该技术具有潜在的光学图像分析和对象分类应用，并能够实现独特的任务。
Apr, 2018
本文介绍了利用深度学习设计Diffractive Deep Neural Networks (D2NNs)进行光计算，在特征工程和集成学习方面的改进，以提高其图像分类准确度，并在CIFAR-10测试图像上达到了61.14％和62.13％的盲测试准确率，是目前任何衍射光神经网络设计方法在相同数据集上所取得的最高推理准确度，并可能提供跨越衍射光影像分类和机器视觉系统应用空间的重大飞跃
Sep, 2020
通过将光学与数字技术协同处理，并操作于凝聚态光学信号下，我们成功地优化了一个混合光学 - 数字的人工神经网络，发现相比于数字技术，其在低功耗/低延迟下具有更高的分类精度，这表明在一些应用中，光学技术比数字技术更优越。
May, 2023
本文提出了一种针对光学相干断层扫描（OCT）噪声降低的 few-shot 监督学习框架，该框架在训练速度和培训内容方面都有巨大的提高，此外，我们还为 OCT 不同成像系统的域偏移问题提出了可能的解决方法。
Jun, 2023
光子处理器在能量成本高昂、人工智能计算需求剧增的背景下成为替代传统电子处理器的潜在选择，然而现有的光学神经网络在图像识别准确度上远远低于现代电子神经网络，本研究通过低维重参数模型引入了一种基于大核空间可变卷积神经网络，实现了基于纳米光学结构的光学神经网络在CIFAR-10数据集上达到73.80%的盲测分类准确度，首次超越现代数字神经网络AlexNet（72.64%），让光学神经网络跻身于现代深度学习时代。
Aug, 2023
P-D2NN设计是一种金字塔结构的衍射光学网络，专门优化了单向图像放大和缩小的任务，通过金字塔缩放的衍射层实现了高保真度的放大或缩小图像操作，并能在大范围的光照波长下保持其单向图像放大/缩小功能，可用于设计特定任务的视觉处理器。
Aug, 2023
我们展示了光照的相干度与各种计算机视觉任务的性能之间的单调关系。我们使用计算方法模拟部分相干的光照，传播光波以形成图像，并随后使用深度神经网络进行物体识别和深度感知任务。在每个控制实验中，我们发现，相干长度的增加导致图像熵的提高，以及增强的物体识别和深度感知性能。
Nov, 2023
光学成像和传感系统基于衍射元件取得了巨大的进展，最近使用深度学习和数字神经网络的研究努力使衍射处理器与数字神经网络合作优化，建立了输入电磁波与后端处理数字化信息之间的新的“衍射语言”，从而为各种应用提供了巨大的潜力。
Jun, 2024
光学超振荡技术可实现超越衍射极限的远场超分辨成像，但现有空间超分辨成像系统中的超振荡透镜仍存在性能限制。我们提出了一种光学超振荡衍射神经网络，即SODNN，它在现有方法的基础上具有卓越的性能，能够实现超越衍射极限的超分辨空间分辨率。通过利用衍射层来实现光学互联，并利用成像样本或生物传感器实现非线性，SODNN调制入射光场，在三维空间中产生光学超振荡效应并生成超分辨焦点。通过在入射波长为λ的条件下优化衍射层、在远场距离400λ内产生了一个半高全宽为0.407λ的超振荡斑点，并且场景范围内无副瓣且具有超过10λ的长景深。此外，SODNN实现了多波长和多焦点斑点阵列，有效避免了色差。我们的研究将激发智能光学仪器的发展，以促进成像、传感、感知等应用。
Jun, 2024