Гибридная глубокая модель для восстановления изображений в FSO-системах, подверженных лог-нормальному затуханию

Почему это важно для повседневных изображений

По мере того как всё больше нашей жизни переходит в онлайн, мы ожидаем, что фото и видео будут приходить мгновенно и чётко — будь то данные с медицинского сканера, с камеры наблюдения или со спутника. Но когда эти изображения передаются по воздуху с помощью световых лучей, атмосфера может исказить их, превращая чёткие сцены в зернистые, выцветшие кадры. В этом исследовании рассматривается, как сочетание современных методов глубокого обучения и классических приёмов повышения резкости может спасти такие повреждённые изображения, восстанавливая тонкие детали даже при крайне неблагоприятном канале передачи.

Передача изображений по воздуху с помощью света

Работа сосредоточена на технологии оптической связи в свободном пространстве (FSO), которая передаёт данные с помощью узконаправленных световых пучков вместо радиоволн. FSO привлекателен тем, что способен переносить огромные объёмы информации — идеально для изображений высокого разрешения и видео — без необходимости в радиолицензии. Однако воздух между передатчиком и приёмником редко спокоен. Изменения температуры, ветер и турбулентность заставляют пучок света мигать и колебаться по мощности; авторы статистически описывают это явление как лог-нормальное затухание. В сочетании с электронными помехами и плотными схемами упаковки данных, используемыми для увеличения пропускной способности, эти искажения могут сильно ухудшать качество изображений.

Ограничения традиционных приёмов очистки

Инженеры давно пытаются бороться с этими искажениями с помощью таких методов, как множественные антенны (MIMO), схемы разнообразия, отправляющие схожую информацию по разным путям, адаптивная оптика, которая переразмыщает пучок в реальном времени, и сложные фильтры вроде гауссовских и Винеровских фильтров. Хотя эти методы помогают, они испытывают трудности, когда среда быстро меняется или ведёт себя сложно и нелинейно. Они могут сглаживать часть шума, но часто размывают важные границы и текстуры и недостаточно гибки, чтобы полностью компенсировать случайное, быстро меняющееся затухание, которое характерно для реальных FSO-каналов.

Машина обучения, понимающая искажения

Чтобы преодолеть эти ограничения, авторы разрабатывают глубокую сверточную нейронную сеть (DCNN), которая на примерах учится тому, как затухание и шум обычно искажают изображения. Они создают большой синтетический набор данных из 30 000 изображений с помощью генераторов изображений на базе ИИ, затем математически моделируют, как FSO-канал с лог-нормальным затуханием и добавленным шумом искажает эти изображения. Половина изображений сохраняется чистой, а половина — затемнённой и зашумлённой, покрывая широкий диапазон условий сигнал/шум. В процессе обучения DCNN видит многочисленные пары повреждённых и оригинальных изображений и постепенно учится оценивать и вычитать шаблон шума, используя стек из 22 слоёв и повторяющиеся остаточные блоки, которые специализируются на отделении истинной структуры от искажений.

Повышение чёткости деталей и проверка надёжности

После того как DCNN устраняет большую часть шума и эффектов затухания, авторы добавляют отдельный этап повышения резкости, который усиливает границы и тонкие структуры, возможно, смягчённые на предыдущем шаге. Эта двухэтапная схема — удаление шума с последующим повышением резкости — оказывается ключевой для получения изображений, которые не только хорошо ведут себя по числовым метрикам, но и выглядят чёткими для человеческого глаза. Команда оценивает качество с помощью отношения сигнал/шум по пику (PSNR) и среднеквадратической ошибки (RMSE) — стандартных метрик, сравнивающих восстановленные изображения с их оригиналами. В жёстких моделируемых условиях, когда PSNR затухших изображений может опускаться до примерно 7–9 дБ, восстановленные кадры поднимаются до порядка 67–68 дБ, что однозначно относится к категории «отлично» и значительно превосходит результаты традиционных фильтров.

Тестирование на задачи классификации и приближённых к реальности случаях

Чтобы убедиться, что восстановленные изображения не только приятны глазу, но и полезны для дальнейшего анализа, авторы обучают глубокие остаточные сети (ResNet-18, ResNet-50 и ResNet-101) различать затухшие и чистые изображения. Эти классификаторы достигают точности выше 99.8%, подтверждая, что набор данных хорошо организован и что процесс восстановления сохраняет значимые визуальные паттерны. Фреймворк также тестируется на изображениях, не использовавшихся в обучении, включая реальный портрет человека, переданный через смоделированный FSO-канал. Даже в этих сложных случаях модель значительно улучшает чёткость, демонстрируя, что она выучила общие принципы восстановления, а не просто запомнила примеры из обучения.

Что это значит для будущих систем визуализации

Для неспециалиста главный вывод таков: авторы создали интеллектуальную систему «спасения изображений», которая способна брать сильно повреждённые кадры, переданные через турбулентный воздух, и делать их почти такими же хорошими, как оригиналы. Сочетая обученную глубокую сеть с завершающим этапом повышения резкости, метод возвращает шумные, выцветшие лица и сцены в чёткие, детализированные изображения. Этот подход может усилить будущие приложения — от телемедицины и дистанционной диагностики до наблюдения и земного мониторинга — где решения зависят от надёжного распознавания мелких деталей несмотря на сложные условия передачи.

Цитирование: Soliman, F.A., Ragab, D.A., El-Shafai, W. et al. Hybrid deep learning framework for image restoration in Fso systems affected by log-normal fading. Sci Rep 16, 14653 (2026). https://doi.org/10.1038/s41598-026-39768-x

Ключевые слова: оптическая связь в свободном пространстве, удаление шума с изображения, глубокое обучение, атмосферная турбулентность, восстановление изображения