Upconversion optische Entropie-Codierung für infrarote komplexamplitudenbildgebung

Das unsichtbare Wärmefeld um uns sichtbar machen

Von Autos, die nachts fahren, bis zu winzigen Strukturen in lebenden Zellen: ein großer Teil unserer Umgebung strahlt unsichtbares Infrarotlicht aus. Detaillierte Filme dieses „Wärmelichts“ zu erfassen, würde Felder von autonomem Fahren bis zur medizinischen Bildgebung revolutionieren, doch heutige Infrarotkameras sind teuer, energiehungrig und oft langsam. Diese Arbeit stellt eine neue Methode vor, schwache Infrarotszenen in scharfe, videofähige Bilder zu verwandeln — mithilfe gewöhnlicher sichtbarer Kamerachips und einer Prise intelligenter Optik und KI.

Wärme in sichtbares Licht umwandeln

Konventionelle Infrarotkameras verwenden spezielle Materialien, die häufig stark gekühlt werden müssen, was sie klobig und teuer macht. Eine reizvolle Alternative ist, Infrarotlicht in sichtbares Licht „hochzuwandeln“, das billige Siliziumsensoren erfassen können. Bestehende Upconversion-Methoden lassen sich in zwei Lager einteilen. Kohärente Techniken bewahren feine Lichtdetails, benötigen aber leistungsstarke Laser und präzise Ausrichtung. Inkohärente Verfahren, die auf speziellen leuchtenden Materialien beruhen, sind einfacher und funktionieren mit deutlich schwächerem Licht, geben jedoch die wellenartigen Informationen des Lichts, insbesondere die Phase, auf. Die neue Arbeit kombiniert die Stärken beider Ansätze: Sie erhält die Einfachheit und Sensitivität der leuchtenden Materialien und gewinnt zugleich wieder Zugang zur verborgenen Welleninformation.

Licht verwirren, um mehr zu enthüllen

Der Kern des Ansatzes ist eine Idee namens optische Entropie-Codierung. Zunächst wird die einfallende Infrarotszene durch ein raues Stück Milchglas geleitet, das das Licht in ein zufällig wirkendes Specklemuster streut. Dieser „Verwischer“ wirkt wie ein komplexer Code und mischt sowohl die Helligkeit als auch die Wellenform des Lichts. Anschließend absorbiert eine dünne Schicht mit Lanthanoid-Ionen dieses gespeckelte Infrarotlicht und emittiert es durch einen stufenweisen Upconversion-Prozess als sichtbares Licht. Eine Standard-Siliziumkamera zeichnet nur die Intensität dieses sichtbaren Speckles auf, die allein betrachtet bedeutungslos erscheint. Weil das Streumuster jedoch reich und komplex ist, trägt es heimlich genug Informationen über Helligkeit und Phase der ursprünglichen Szene, um später decodiert zu werden.

Ein neuronales Netz übernimmt die Decodierung

Die Schwierigkeit liegt darin, die aufgezeichneten Specklemuster wieder in ein nutzbares Bild der Szene zu verwandeln. Es gibt keine einfache Formel, die das verwirrte sichtbare Speckle mit dem ursprünglichen Infrarotlicht verknüpft. Stattdessen trainiert das Team ein tiefes neuronales Netzwerk, genannt S-ULRnet, um diese Verbindung aus Beispielen zu erlernen. Sie füttern das Netz mit vielen Paaren bekannter Infrarotmuster und den entsprechenden upkonvertierten Speckle-Bildern. Im Laufe der Zeit lernt das Netzwerk, sowohl Helligkeit als auch Phase aus einer einzelnen Momentaufnahme zu rekonstruieren. Die Autorinnen und Autoren zeigen außerdem, dass sich durch Abstimmung der Stärke, mit der das Milchglas das Licht verwirrt — im Grunde die Erhöhung der „Entropie“ bzw. des Informationsgehalts des Speckles — die Rekonstruktionsgenauigkeit deutlich steigern lässt.

Scharfe Videos aus schwachem Infrarotsignal

Nach dem Training überzeugt das System durch Leistung. Es stellt detaillierte 8-Bit-Graustufenbilder von Helligkeit und Phase mit einer Bildrate von 25 Bildern pro Sekunde wieder her, jeweils aus einer einzigen Kameraaufnahme pro Frame. Die Anordnung kann extrem schwache Infrarotleistung nachweisen, bis etwa 0,2 Nanowatt pro Quadratmikrometer — rund tausendmal empfindlicher als viele konventionelle Upconversion-Ansätze. Das Team demonstriert Echtzeitvideos von Naturaufnahmen, sich bewegenden Zahlenfolgen und sogar Geschwindigkeitsbegrenzungsschildern, die anschließend von einem separaten Erkennungsnetz zuverlässig klassifiziert werden können. Das zeigt, wie das System in praktische Aufgaben wie autonomes Fahren oder intelligente Überwachung integriert werden könnte.

Ein neuer Weg für intelligente Infrarotsicht

Einfach gesagt haben die Forschenden einen intelligenten Übersetzer gebaut, der schwer zu detektierendes Infrarotlicht in informationsreiche sichtbare Muster verwandelt und die KI diese Muster lesen lässt, um zu rekonstruieren, wie die Infrarotszene aussah. Ihre Methode ist schnell, sehr sensitiv und verwendet vergleichsweise einfache Hardware, was sie attraktiv für Anwendungen von medizinischer Diagnostik bis Umweltüberwachung macht. Da die verwendeten leuchtenden Materialien auf unterschiedliche Infrarotfarben ansprechbar sind, ließe sich das Konzept auf mehrere Wellenlängenbänder und fortgeschrittenere Bildgebungsmodi ausdehnen. In der Folge weist diese Arbeit auf zukünftige Kameras, die Wärme und Struktur mit bemerkenswerter Detailgenauigkeit sehen — unter Einsatz erschwinglicher Komponenten und intelligenter Decodierung.

Zitation: Zhu, Sk., Pan, T., Tang, Cx. et al. Upconversion optical entropy encoding for infrared complex-amplitude imaging. Light Sci Appl 15, 158 (2026). https://doi.org/10.1038/s41377-026-02215-7

Schlüsselwörter: infrarotbildgebung, Upconversion, Speckle-Codierung, Neuronales Netzwerk-Sensing, kurzwelliges Infrarot