Optische Metrologie und Computational Imaging mittels tiefer neuronaler Netze

• Antragsteller: Dr.-Ing. Karsten Frenner
• Fachliche Zuordnung: Messsysteme
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 449502487

Dieses chinesisch-deutsche Forschungsprojekt (SG-JRP) zielt darauf ab, Deep Learning für die rechnergestützte Bildgebung und optische Messtechnik zu erforschen. Aus mathematischer Sicht kann dies grundsätzlich als Methode zur Lösung inverser Probleme in der Bildgebung und Metrologie kategorisiert werden, die die Objekte oder Szenen aus unvollständigen physikalischen Messungen ableiten. Typische Beispiele für Bildgebung und Messtechnik sind ghost imaging, digitale Holographie, light-field imaging und die Abbildung durch streuende Medien. Im Rahmen der chinesisch-deutschen Forschungskooperationsgruppe (GZ 1391) haben die Forschungspartner auf deutscher und chinesischer Seite systematische Untersuchungen zu den oben genannten Forschungsthemen durchgeführt und in den letzten Jahren eine Reihe wertvoller Forschungsergebnisse erbracht. In jüngster Zeit hat sich gezeigt, dass Deep-Learning-Techniken (DL-Techniken) in der Lage sind, bei der Lösung vieler inverser Probleme eine wettbewerbsfähige Leistung zu erzielen. DL hat jedoch noch keine radikale Verbesserung gegenüber analytischen Methoden zur Lösung inverser Probleme in der optischen Metrologie erzielt. In diesem Projekt wählen wir drei Beispiele für Bildgebung und Messtechnik aus, die unter Einbeziehung von DL-Strategien untersucht werden sollen: (1) Die deutsche Gruppe in Stuttgart schlägt einen Ansatz vor, mit dem neuronale Netze (NN) trainiert werden, um das inverse Problem der Scatterometrie zu lösen. (2) Die chinesische Gruppe in Shenzhen schlägt einen Ansatz vor, der den DL in das strukturierte Lichtfeld einbezieht, um die Streifenreihenfolge für die Phasenrekonstruktion sowie die Aberrationskorrektur zu identifizieren. (3) Die Gruppe in Shanghai wird sich auf die Entwicklung neuartiger Deep-Learning-Methoden konzentrieren, indem ein physikalisches (analytisches) Modell in ein neuronales Netzwerk für die nichtinvasive Echtzeit-Bildgebung durch optisch dicke und dynamische Streumedien integriert wird.Das übergeordnete Ziel dieses Projektes ist es, einen Einblick zu geben, wie Deep-Learning-Strategien die inversen Probleme in der Bildgebung und Messtechnik lösen können. Darüber hinaus befassen wir uns mit einigen grundlegenden Fragen, z. B. wie Deep Learning und physikalische Modelle kombiniert werden können, um bessere Lösungen für die inversen Probleme zu finden. Über die in diesem Vorschlag festgelegten Forschungsziele hinaus werden die teilnehmenden Nachwuchsforscher beider Seiten durch die beabsichtigte Zusammenarbeit und die Schaffung von Synergien von der Umsetzung des Gesamtprojekts profitieren.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: China
• Partnerorganisation: National Natural Science Foundation of China
• Kooperationspartner: Professor Dr. Xiang Peng