全息成像一直受到動態環境中不可預測的失真的挑戰。傳統的深度學習方法由于依賴于特定的數據條件，往往難以適應不同的場景。

為了解決這個問題，浙江大學的研究人員深入研究了光學和深度學習的交叉領域，揭示了物理先驗在確保數據和預訓練模型對齊方面的關鍵作用。

TWC-Swin方法利用空間一致性作為物理先驗來指導深度神經網絡的訓練，擅長捕捉局部和全局圖像特征，并消除了由任意湍流引起的圖像退化。

他們探索了空間相干性和湍流對全息成像的影響，并提出了一種創新方法TWC-Swin，可以在存在這些干擾的情況下恢復高質量的全息圖像。他們的研究成果以“利用光的魔力：空間相干性指導swin變換器進行通用全息成像”為題，發表在《先進光子學》雜志上。

空間相干性是光波行為有序性的度量。當光波處于混沌狀態時，全息圖像會變得模糊和嘈雜，因為它們攜帶的信息較少。保持空間相干性對于清晰的全息成像至關重要。

動態環境，如海洋或大氣湍流，會引入介質的折射率變化。這會破壞光波的相位相關性，并扭曲空間相干性。因此，全息圖像可能會變得模糊、失真，甚至丟失。

對不同強度的海洋和大氣湍流進行性能定性分析。以相干性作為物理先驗信息進行訓練的網絡可以有效地克服海洋和大氣湍流對成像的影響，提高圖像質量。

浙江大學的研究人員開發了TWC-Swin方法來解決這些挑戰。TWC-Swin是“train-with-coherence swin transformer”的縮寫，利用空間相干性作為物理先驗來指導深度神經網絡的訓練。該網絡基于Swin transformer架構，擅長捕捉局部和全局圖像特征。

為了測試他們的方法，作者設計了一個光處理系統，該系統可以在不同的空間相干性和湍流條件下產生全息圖像。這些全息圖基于自然物體，作為神經網絡的訓練和測試數據。

結果表明，即使在低空間相干性和任意湍流條件下，TWC-Swin也能有效地恢復全息圖像，超越了傳統的基于卷積網絡的方法。此外，據報道，該方法具有很強的泛化能力，將其應用擴展到訓練數據中未包含的未知場景。

這項研究在解決不同場景下全息成像中的圖像退化問題方面開辟了新天地。通過將物理原理整合到深度學習中，該研究揭示了光學與計算機科學之間的成功協同作用。隨著未來的發展，這項工作為增強全息成像鋪平了道路，使我們能夠透過湍流清晰地看到。