[论文解读] Deep learning the high variability and randomness inside multimode fibres

Pengfei Fan, Tianrui Zhao+1 more|arXiv (Cornell University)|Jul 18, 2018

Optical Network Technologies参考文献 3被引用 3

一句话总结

本文证明，即使多模光纤（MMF）的传输特性高度可变且随机，单一卷积神经网络仍能准确重建通过其传输的二值图像。通过在多种MMF状态上进行训练，深度学习模型可泛化至未知的信道状态，而无需事先了解光纤的当前状态，从而在动态环境中实现鲁棒的图像恢复。

ABSTRACT

Multimode fibres (MMF) are remarkable high-capacity information channels owing to the large number of transmitting fibre modes, and have recently attracted significant renewed interest in applications such as optical communication, imaging, and optical trapping. At the same time, the optical transmitting modes inside MMFs are highly sensitive to external perturbations and environmental changes, resulting in MMF transmission channels being highly variable and random. This largely limits the practical application of MMFs and hinders the full exploitation of their information capacity. Despite great research efforts made to overcome the high variability and randomness inside MMFs, any geometric change to the MMF leads to completely different transmission matrices, which unavoidably fails at the information recovery. Here, we show the successful binary image transmission using deep learning through a single MMF, which is stationary or subject to dynamic shape variations. We found that a single convolutional neural network has excellent generalisation capability with various MMF transmission states. This deep neural network can be trained by multiple MMF transmission states to accurately predict unknown information at the other end of the MMF at any of these states, without knowing which state is present. Our results demonstrate that deep learning is a promising solution to address the variability and randomness challenge of MMF based information channels. This deep-learning approach is the starting point of developing future high-capacity MMF optical systems and devices, and is applicable to optical systems concerning other diffusing media.

研究动机与目标

• 解决由环境扰动和几何变化引起的多模光纤（MMF）传输信道中高可变性和随机性的问题。
• 在无需了解当前传输矩阵或信道状态的情况下，实现通过MMF的可靠图像传输。
• 开发一种可在多种MMF配置和动态形变中泛化的深度学习框架。
• 证明单一训练模型可在未知且变化的MMF状态中准确恢复信息。
• 为未来在通信、成像和传感中使用MMF构建高容量光系统奠定基础。

提出的方法

• 在对应于不同MMF状态（包括静态和动态变化配置）的多个传输矩阵上训练单一卷积神经网络（CNN），
• 网络学习从输入二值图像到光纤输出强度图案的映射关系，可在未知信道状态下泛化。
• 训练数据包含多种MMF配置，确保模型在光纤传输行为变化时仍能学习到不变特征。
• 在未见过的MMF状态（训练期间未出现的状态）上测试模型，以评估泛化性能。
• 网络架构设计为对信道变化具有鲁棒性，避免重新训练或信道状态估计。
• 该方法利用深度学习的表征能力，隐式建模MMF中复杂的非线性模式耦合。

实验结果

研究问题

• RQ1 单一深度神经网络能否在多模光纤中泛化于多个高度可变且随机的传输状态？
• RQ2 深度学习模型在不了解光纤当前状态的情况下，能在多大程度上恢复二值图像？
• RQ3 当MMF在传输过程中发生动态形变时，模型表现如何？
• RQ4 对于训练数据中未包含的MMF状态，训练好的模型能否准确预测输出？
• RQ5 深度学习是否是克服基于MMF的光信息信道中固有随机性和可变性的可行方案？

主要发现

• 单一卷积神经网络成功在多个不同的传输状态下重建了通过多模光纤传输的二值图像。
• 该模型能有效泛化至未知的MMF配置，包括动态变化的状态，而无需重新训练或信道状态反馈。
• 即使由于光纤扰动或几何变化导致传输矩阵完全改变，网络仍能实现准确的图像恢复。
• 该方法消除了实时测量或估计传输矩阵的需求，克服了MMF应用中的主要瓶颈。
• 结果表明，深度学习能够有效建模多模光纤信道中复杂的非线性及随机行为。
• 该方法使在信道条件不可预测且不稳定的实际场景中实现可靠的MMF信息传输成为可能。