KI enthüllt unsichtbare Objekte in totaler Dunkelheit mittels Deep Neural Networks

• MIT-Forscher nutzen Deep Neural Networks, um unsichtbare Objekte in kompletter Dunkelheit sichtbar zu machen.
• Kann biologische Zellen und Gewebe abbilden, ohne sie schädlicher Strahlung und intensivem Licht auszusetzen.

Die meisten Imaging-Systeme liefern nur verzerrte oder partielle Daten über das abgebildete Objekt. Hauptursachen: Fehlende Phaseninformation, Verlust räumlicher Frequenzen, Rauschen in Beleuchtung, unbekannte Streuer im optischen Strahlengang.

In den letzten Jahren zog Deep Neural Network viel Aufmerksamkeit in computergestützter Bildgebung auf sich. Bewies sich als effizienter Solver in diversen Anwendungen: Ghost Imaging, Adaptive Optik, Adaptive Beleuchtungsmikroskopie, Phasenrückgewinnung, Optische Tomografie, Unterabgetastetes Imaging.

Erstmals nutzte MIT-Team Deep Neural Networks zur Lösung eines kohärenten Phasenrückgewinnungsproblems mit hohem Rauschen auf verschiedenen Ebenen. Einfach gesagt: Methode, unsichtbare Objekte in kompletter Dunkelheit zu enthüllen.

Dies unterscheidet sich stark von bestehenden KI-basierten „Nachtmodus“-Techniken (z. B. Google Pixel 3), die mehrere rauschende Bilder aufnehmen und klare Fotos erzeugen – aber etwas Licht benötigen. MIT-Technik funktioniert in absolut dunklem Raum. Benötigt nur ein Photon pro Pixel.

Wie haben sie das gemacht?

Forscher nahmen zuerst Bilder von Zielobjekten in fast pechschwarzen Bedingungen auf. Dann rekonstruierten sie transparente Objekte aus diesen Bildern. Dafür nutzten sie Deep Neural Networks, trainiert auf 10.000+ transparenten glasartigen Ätzungen aus dunklen, körnigen Bildern, die für menschliches Auge unsichtbar sind.

Referenz: Physical Review Letters | doi:10.1103/PhysRevLett.121.243902 | MIT

Die selbst in dunklem Raum aufgenommenen Bilder wirkten wie statisches Rauschen auf einem Fernseher. Neuronale Netze trainierten auf diesen Bildern plus korrespondierenden Mustern unter dem visuellen Rauschen.

Allmählich lernte Netzwerk, Sinn aus visuellem Rauschen zu machen. Erzeugte schließlich unscharfe Bilder. Zur Schärfung fügte Team Layer hinzu, der Output fokussiert.

Mit freundlicher Genehmigung der Forscher

Oben links: Dunkles Bild (aus transparenter Ätzung, ganz rechts). Forscher nutzten physikbasierten Algorithmus (Lichtverhalten) zur Rekonstruktion (oben rechts). ML-Technik erzeugte unscharfes Bild (unten links). Kombination beider → präziseste Rekonstruktion (unten rechts) von echtem Objekt/Szene.

Wie ist es nützlich?

KI könnte transparente Merkmale wie biologische Zellen/Gewebe in Bildern mit extrem wenig Licht beleuchten. Zellen verbrennen/schädigen leicht bei intensivem Licht – dann nichts mehr zu bildeten. Auch bei Patienten-Röntgen: Krebsrisiko.

Weiterlesen: Gibt es Dunkle Photonen? Das hypothetische Teilchen

Studie hilft hier: Forscher ermöglichten gleiche Bildqualität bei weniger Photonenexposition. Signifikant verringert Schaden an biologischen Proben beim Sampling. Zudem potenziell nützlich für astronomische Bildgebung.