研究人员开发了一个理论框架，用于理解何时通过优化具有神经网络后端的光学前端可以提高成像分类性能。研究发现，在探测器读出受限的情况下，例如测量次数有限或采样粗糙，通过增强类别可分性，这些优势最为显著。然而，在探测器完全读出的情况下，传统透镜表现相当，联合优化没有实际优势。研究还强调，这些光学-神经网络联合设计在探测器噪声较低且判别性内容集中在较低空间频率时最有效。 AI
影响 为光学和AI的协同设计提供了理论基础，有望为分类任务带来更高效的成像系统。
排序理由 该集群包含一篇学术论文，详细介绍了用于优化带神经网络的成像系统的新理论框架和实验结果。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.09792v1 Announce Type: new Abstract: End-to-end co-optimization of optical front-ends (e.g. metasurfaces) and neural network back-ends has been widely applied to imaging tasks, yet a formalism characterizing when and why such systems outperform conventional lens-based …
End-to-end co-optimization of optical front-ends (e.g. metasurfaces) and neural network back-ends has been widely applied to imaging tasks, yet a formalism characterizing when and why such systems outperform conventional lens-based imaging is largely lacking. This paper focuses o…