撰稿人：林雍坤 博士研究生 福建师范大学
随着信息时代的数据爆炸式增长，人类社会将进入YB（1YB=1012TB）时代。面对庞大的数据量，高效率低成本的数据存储技术成为发展需求。全息数据存储技术利用三维的体全息原理对二维编码数据页进行存储，能够实现数据的高存储密度、高传输速率,成为下一代数据存储技术的有力竞争者。
近年来，随着深度学习技术的飞速发展，神经网络被广泛应用于解决各类计算成像问题诸如图像去噪处理、相位恢复等，并表现出强大的适用性。因此，在全息数据存储中引入深度学习，利用卷积神经网络对编码数据进行处理，可有效提升存储密度、数据读取稳定性等。近日，福建师范大学信息光子学研究中心谭小地教授团队提出利用深度学习来提高振幅调制同轴全息数据存储抗噪性并进行抗噪性能分析。研究团队通过端到端神经网络对记录再现的编码数据页进行去噪重建，降低再现数据页由于光学系统像差、探测器动态响应、全息存储介质不均匀以及记录物镜离焦噪声造成的影响。使用深度学习降噪处理后，编码数据页的误码率可以降低到直接读取时的十分之一，而信噪比可以提高到直接读取时的五倍以上。这提高了振幅全息数据存储系统中数据读取的准确性和可靠性。该研究以“Anti-noise performance analysis in amplitude-modulated collinear holographic data storage using deep learning”为题，于2024年8月12日发表于光学国际期刊《Optics Express》。
在振幅调制的同轴全息数据存储系统中，光学系统像差、探测器动态响应、存储介质不均匀等因素都会对数据的读取造成影响。图1所示为系统中各类噪声对于编码数据的影响。由于背景噪声和光学像差，探测器在通过系统处理后捕获的图像（如图1（b）所示）与上传到数字微镜阵列的图像（图1（a））不同。原始矩形的像素明显变形，影响相邻像素。当仅记录标记图案时，探测器捕获的再现图像，如图1（c）所示，受到亮的标记图案的影响，未编码的区域也产生了一定的背景噪声。实际的实验记录再现的编码数据页如图1（d）所示，由于介质响应不均匀，加上光学像差和背景噪声，解码时会产生较多误码。此时编码数据页的误码率和信噪比分别为4.23%和3.89。实验结果表明，虽然系统像差和背景噪声不会独立地影响误码率，但介质的不均匀响应放大了这些噪声的影响，导致误码率增加和信噪比降低。图1 系统中各类噪声对于编码数据的影响。(a)为上载到数字微镜阵列的原始图像，(b)为光学系统像差影响后的编码数据页，(c)为探测器捕获的仅记录标记点的图像，(d)存储介质中记录再现的编码数据页。研究团队使用端到端卷积神经网络，对记录再现的编码数据页进行降噪处理，研究基于深度学习的振幅调制同轴全息数据存储抗噪声性能并加以分析。实验处理数据流程如图2所示。将编码数据页利用同轴全息存储系统进行记录读取，得到受各类噪声影响的再现编码数据页。利用U-Net卷积神经网络进行处理，得到降噪后的重建图像。该方法有效地降低了系统各类噪声的影响，提高了全息数据存储再现编码数据页的可靠性和准确性。如图3所示，对比深度学习降噪前后的再现数据页，可以看到，神经网络降噪处理后，系统像差和探测器动态响应的影响得到了很好的消除。尽管在部分数据点上存储灰度的错误，但不影响数据的判断，平均误码率从4.64%降低到0.26%，平均信噪比从5.83提升到30.3。![]()
图3 深度学习降噪前后数据对比。(a)表示直接探测的重建结果，(b)表示深度学习降噪后的重建结果。
此外，研究团队还探究了深度学习对于记录物镜离焦产生的离焦噪声影响。如图4所示，随着物镜离焦距离的增加，系统的误码率随之增加而信噪比随之降低。如图5所示为同一数据页在不同离焦距离下的成像情况，可以看到编码数据部分受到离焦的影响，边缘数据已经不可的分辨。部分子页的标记点已经全部丢失，导致数据判断错误。研究团队使用卷积神经网络对物镜离焦产生的影响进行了校正，并对离焦噪声的兼容性进行了探究。离焦噪声兼容性探究实验结果如图6所示。离焦噪声具有明显的向下兼容的特性，即在100 μm的离焦范围内，仅需要离焦100 μm数据优化的网络模型即可对离焦100 μm以内的离焦噪声进行校正。如图7所示为深度学习降噪校正后的离焦噪声影响。可以看到数据页的成像变得清晰，边缘部分的离焦噪声影响也得到了很好的校正。尽管仍存在1%以下的误码，但相较于直接读取，能极大的改善同轴全息数据存储的数据读取精度。同时，这不仅能够提高网络模型的实际使用性，也能够对后续的数据采集进行指导。
图4 系统误码率和信噪比随离焦距离增加的变化。
![]()
图5 同一数据页在不同离焦距离下的成像情况。
图6 两种深度学习模型重建结果的比较。(a)离焦距离为0 μm的训练网络在不同离焦条件下（蓝色虚线）校正噪声的能力。(b)离焦距离为100 μm的训练网络在不同的离焦条件下（绿色虚线）校正噪声的能力。
图7 深度学习离焦校正后数据页成像情况。
本研究利用深度学习提高振幅调制同轴全息数据存储中的抗噪性，并对其性能进行了分析。实验结果表明，卷积神经网络可以有效地降低系统成像像差、探测器动态响应和全息存储介质非均匀等噪声带来的影响。此外，对存储中可能存在的物镜离焦进行了研究，离焦噪声的深度学习结果表现出向下兼容性，有助于单个模型在100 μm内校正离焦影响，扩大了系统容限。
论文链接：https://doi.org/10.1364/OE.532825
![]()
林雍坤，第一作者，福建师范大学2022级博士研究生，研究方向：全息光存储、计算成像等。![]()
林枭，通讯作者，福建师范大学副教授，博士生导师，研究方向：全息光存储技术、全息材料、计算成像等。近年来承担国家级与省部级项目5项，并作为骨干参与其他项目5项。已发表学术期刊论文40余篇，做特邀报告10次，授权专利10余项，合著英文专著1部。
![]()
谭小地，通讯作者，福建师范大学光电与信息工程学院教授，博士生导师。国际光学工程学会会士、美国光学学会会士、中国光学学会和中国光学工程学会理事。主要从事全息光存储、偏光全息、全息材料、计算成像等方面研究。近年来主持国家重点研发计划、国家自然基金重点项目、福建省重大科技专项等，发表学术论文200余篇，授权专利20余项，出版学术专著1部。声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理（按照法规支付稿费或立即删除），所有来稿文责自负，专委会仅作为分享平台。转载请注明出处，如原创内容转载需授权，请联系邮箱：cita@csoe.org.cn
公众号投稿请联系：cita@csoe.org.cn商务合作/文章转载请联系：010-63726007 ![]()
欢迎分享 ![]()
点赞，在看
