La ingeniería de funciones de la fase de dispersión de puntos (PSF) es un área de rápido crecimiento en la imagen computacional, con aplicaciones ergonómicas en la biotecnología y la microfotografía. Este campo se ha enfrentado a un problema persistente: cómo formular funciones de fase de manera eficiente y efectivas, dado que las funciones de base físicas utilizadas tradicionalmente ofrecen un enfoque limitado y problemático. No es hasta ahora, con los avances en representaciones neuronales implícitas, que se ha dado un paso significativo hacia la solución.
En la vanguardia de esta innovación se encuentra el enfoque de representaciones neuronales implícitas, que ha demostrado superar con creces las técnicas tradicionales de optimización pixel a pixel. A diferencia de su predecesor, este nuevo método permite que las funciones de fase sean más suaves y diferenciables, facilitando así la fabricación y permitiendo una mayor versatilidad en las aplicaciones prácticas. Esta técnica utiliza un codificado radial con esquemas de cadena extensos, permitiendo inferir funciones de fase de manera enteramente digital e inmediata, y con resultados asombrosamente precisos.
Durante las comparativas de desempeño, en evaluaciones que incluyeron métricas de MSSIM (Estructura de Similaridad Multiescala) y PSNR (Relación Señal-Ruido de Pico), las representaciones neuronales implícitas mostraron una capacidad sobresaliente para mapear y aprender diversas fases de dispersión. Las evaluaciones produjeron resultados superiores especialmente en tareas de imágenes florales y biológicas, en comparación con el método pixel a pixel, especialmente en tareas que no presentaban alta frecuencia.
Sin embargo, no está todo resuelto. Una observación crítica es que cuando las funciones de fase involucraban componentes de alta frecuencia, el método de optimización pixel a pixel mostró un rendimiento más elevado debido a su capacidad para captar las oscilaciones de frecuencia. A pesar de esta limitación, las funciones de fase aprendidas por el método tradicional eran más “ruidosas”, lo que podría presentar efectos visuales indeseados en ciertas aplicaciones.
Este trabajo subraya que aunque la representación neural implícita puede tener restricciones en ciertas circunstancias, ofrece un avance significativo con respecto a su capacidad para generalizar y optimizar en situaciones donde la armonización de luz es necesaria y es el mejor método de las diversas opciones de modulación de fase homogénea. Escalando más allá de las aplicaciones actuales, se anticipa que esta técnica remodele el futuro de la óptica computacional, dado su potencial enorme para aplicarse en la ingeniería de PSF de una forma “plug-and-play”, eliminando la dependencia de una base física para el desarrollo de estas.
Con el uso de técnicas avanzadas como el aprendizaje por transferencia, se abren vías para reducir drásticamente el tiempo de entrenamiento y adaptarse rápidamente a diferentes contextos. Todo apunta a que las próximas vigas de luz pasarán inevitablemente por las representaciones neuronales implícitas, estableciendo un nuevo paradigma en la ingeniería óptica.