长期以来，全息成像一直在努力应对动态环境中不可预测的失真，使其成为一项艰巨的挑战。
TWC-Swin方法利用空间相干性作为物理，指导深度神经网络的训练，擅长捕获局部和全局图像特征，并消除任意湍流引起的图像退化。
传统的深度学习方法在面对各种场景时往往会遇到困难，因为它们严重依赖特定的数据条件。
为了解决这个问题，浙江大学的一组研究人员深入研究了光学和深度学习的交叉点。在此过程中，他们揭示了物理先验在有效调整数据和预训练模型方面的关键作用。
他们研究了空间相干性和湍流如何影响全息成像，并提出了一种发明技术TWC-Swin，以在这些干扰的情况下恢复高质量的全息图像。
这项开创性的研究发表在金牌开放获取期刊《Advanced Photonics》上。
空间相干性衡量光波的有序行为。混沌光波会使全息图像变得模糊和嘈杂，携带的信息较少。保持空间连贯性对于实现清晰锐利的全息成像至关重要。
动态环境，例如以海洋或大气湍流为特征的环境，会引入介质折射率的波动。这破坏了光波的相位相关性并扭曲了空间相干性。因此，全息图像可能会变得模糊、失真甚至丢失。
浙江大学的研究人员设计了TWC-Swin方法来应对这些挑战。TWC-Swin是“train-with-coherence swin transformer”的缩写，在指导深度神经网络的训练之前，利用空间相干性作为物理方法。该网络建立在 Swin transformer 架构之上，擅长捕获局部和全局图像特征。
为了评估他们的方法，作者开发了一种光处理系统，该系统可以在不同的空间相干性和湍流条件下生成全息图像。这些全息图以自然对象为特色，并用作神经网络的训练和测试数据。
研究结果明确表明，即使在空间相干性较低且湍流任意的情况下，TWC-Swin也能熟练地恢复全息图像，超越了传统的基于卷积网络的方法。
此外，该方法表现出强大的泛化能力，将其适用性扩展到训练数据集中未包含的以前未遇到的场景。
这项研究标志着在解决不同场景下全息成像中的图像退化方面取得了重大突破。通过将物理原理集成到深度学习中，这项研究揭示了光学和计算机科学之间的成功协同作用。
目前的研究为增强全息成像奠定了基础，赋予了通过湍流清晰感知的能力。
