Un equipo de investigación liderado por instituciones como la Universidad de California, Los Ángeles (UCLA) y la Universidad de Rochester ha presentado un avance en tecnología de imagen que aprovecha la inteligencia artificial basada en la física. Este avance promete mejorar tanto la imagen biomédica como los sistemas de sensores utilizados en vehículos autónomos. La innovación permite una visualización más clara de los detalles ocultos en medios complejos, como el tejido humano o la niebla densa, mejorando significativamente la calidad de la imagen y la velocidad de procesamiento. El nuevo sistema emplea una combinación de técnicas de imagen existentes y algoritmos avanzados de aprendizaje automático.
Específicamente, integra un método conocido como DeepTimeGate, que consta de dos fases distintas. La primera fase implica un algoritmo entrenado para reconstruir matemáticamente imágenes a partir de datos de luz dispersa. La segunda etapa introduce un nuevo algoritmo desarrollado en UCLA que aplica restricciones físicas para garantizar que las imágenes reconstruidas se adhieran a las leyes de la física. Este enfoque de doble etapa reduce efectivamente las distorsiones visuales y mejora la claridad. En pruebas de laboratorio, el sistema demostró notables mejoras con respecto a las tecnologías actuales.
Cuando se aplica a imágenes de calibración estándar oscurecidas por medios complejos, el nuevo sistema logra una relación señal-ruido más del doble que sus predecesores. Además, produce imágenes de alta calidad casi instantáneamente, completando el proceso en apenas milésimas de segundo. Estas capacidades sugieren un salto sustancial en las aplicaciones de imágenes en tiempo real. Los métodos tradicionales para la obtención de imágenes a través de medios complejos a menudo dependen de equipos costosos capaces de detectar la luz infrarroja cercana.
Utiliza cámaras basadas en silicio, similares a las que se encuentran en la electrónica de consumo, emparejadas con películas especializadas que filtran la luz para hacerla visible. Si bien este método proporciona soluciones rentables, anteriormente sufrió problemas como el viñeteado, que causa bordes de imagen oscurecidos y campo de visión reducido, junto con artefactos no deseados que aparecen como puntos brillantes o oscuros. Al incorporar el marco DeepTimeGate, estos desafíos se han mitigado.
Esta mejora abre numerosas posibilidades, particularmente en campos médicos donde la imagen no invasiva es crucial. Por ejemplo, los cirujanos podrían beneficiarse de una guía intraoperatoria más precisa, especialmente durante procedimientos mínimamente invasivos. Del mismo modo, los laboratorios que analizan muestras biológicas en entornos opacos podrían utilizar esta tecnología sin la necesidad de pasos de preparación de muestras que alteran la integridad de las muestras. Más allá de la atención médica, las implicaciones se extienden a otras industrias. Los vehículos autónomos equipados con tales sistemas de imagen podrían navegar con seguridad a través de condiciones climáticas adversas, incluidas fuertes lluvias, niebla y tormentas de arena.
Los sectores manufactureros también podrían encontrar valor en la aplicación de esta tecnología para inspeccionar productos en entornos difíciles, como evaluar la calidad de los artículos sumergidos en líquidos turbios o envueltos en materiales helados. Las instalaciones de gestión de residuos podrían beneficiarse de manera similar de una mayor visibilidad durante los procesos de clasificación. El trabajo fue realizado por Zhang Hao y sus colegas, marcando una contribución significativa al campo de la integración de imágenes ópticas y el aprendizaje automático.
1 informaciones
Phys.orgIndependienteCentroVeracidad 85Objetividad 80hace 9 hInvestigadores de UCLA y la Universidad de Rochester han desarrollado un nuevo sistema de imágenes que utiliza el aprendizaje automático basado en la física para mejorar la claridad de la imagen en 'medios complejos' como el tejido corporal, la niebla y los líquidos turbios. Este sistema mejora las técnicas existentes al aumentar significativamente la relación señal-ruido y permitir la creación de imágenes en tiempo casi real. A diferencia de los métodos tradicionales que dependen de costosas cámaras de infrarrojo cercano, el nuevo enfoque utiliza cámaras basadas en silicio asequibles, similares a las de los teléfonos inteligentes. La innovación implica combinar una técnica óptica especializada con un modelo de aprendizaje automático llamado DeepTimeGate, que aplica restricciones físicas para mejorar la precisión de la imagen. Las aplicaciones potenciales incluyen imágenes biomédicas avanzadas, sensores de vehículos autónomos y control de calidad industrial. Los hallazgos se publicaron en la revista Science: Light & Applications.
Lectura del sesgo (Centro): El artículo presenta la investigación científica sin implicaciones políticas y se centra en los avances tecnológicos y sus aplicaciones prácticas en diversos campos, sin tomar una postura sobre cuestiones ideológicas o partidistas.
Por qué veracidad (85): The article accurately describes the research on improving imaging through complex media using physics-based machine learning, aligning with the primary source document's discussion of upconversion imaging challenges and solutions. It mentions the use of silicon-based cameras and the vignetting issu
Por qué objetividad (80): The article presents the research in a neutral manner, focusing on the benefits of the new system without overt bias. However, it emphasizes the advantages of the new approach over existing methods, which may slightly lean toward promoting the innovation.
★
Mantengamos las noticias honestas.
ObjectiveNews se financia con los lectores y no tiene anuncios: te mostramos el sesgo en lugar de ocultarlo. Apoya el periodismo independiente por 5 €/mes.
Hazte suscriptor
United Kingdom
