PulseAugur
实时 11:21:21
English(EN) Beyond the Thin-Layer Limit: Differentiable Volumetric Training for Visible-Range Diffractive Neural Networks

新训练方法提升可见光衍射神经网络性能

研究人员开发了一种新的衍射深度神经网络(D2NN)训练方法,解决了可见光应用中的局限性。现有的薄层近似法对于可见光范围的D2NN来说是失败的,因为低折射率材料所需的厚度会导致显著的层内衍射。新的可微光束传播($\partial$BPM)层将衍射元件建模为有限体积,实现了高度图的端到端训练,并大大减少了设计与器件之间的不匹配。 AI

影响 通过改进衍射神经网络的设计,能够为机器视觉实现更高效、更准确的光学前端。

排序理由 这是一篇研究论文,详细介绍了一种用于训练特定类型神经网络的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Dineth Jayakody, Dushan N. Wadduwage ·

    超越薄层极限:可见光衍射神经网络的可微分体训练

    arXiv:2606.07896v1 Announce Type: cross Abstract: Diffractive deep neural networks (D2NNs) promise miniaturized, power-efficient, light-speed optical front-ends for machine vision, yet the most mature demonstrations remain in the terahertz regime, built from readily fabricated mi…