近年来，光学计算取得了长足的进步，在速度、能源效率和可扩展性方面具有潜在的优势。在各种光子器件中，衍射深度神经网络(D2NN)作为新兴的光学计算自由空间平台而受到越来越多的关注。

D2NN，也称为衍射网络，使用深度学习方法来设计一系列空间结构的衍射表面，这些表面调制光衍射以光传播的速度计算给定的任务。除了速度和能源效率外，D2NN还为视觉计算任务提供了独特的优势，因为它们可以直接处理和访问由输入光的振幅、相位、偏振和光谱编码的场景的2D和3D空间信息。

这种对光学信息的直接访问使衍射网络成为视觉计算任务的理想选择，例如图像分类、全息图重建、定量相位成像和穿透随机扩散器。

加州大学洛杉矶分校的一组研究人员最近提出了一个衍射网络，用于执行特定于数据类别的转换和光学图像加密。在他们发表在《先进材料》杂志上的论文中，由AydoganOzcan教授领导的加州大学洛杉矶分校研究人员展示了特定于类的衍射网络，该网络对某些输入数据类别执行所需的转换，从而产生光学加密图像，这些图像只能使用正确的解密密钥进行恢复。

在他们的结果中，衍射网络使用深度学习进行训练，并且在训练完成后，使用3D打印对它们进行物理制造，以全光学转换输入图像并生成由图像传感器捕获的加密，不可解释的输出模式。

只有应用正确的解密密钥(即特定于类的逆变换)，才能恢复加密的图像以显示原始信息，而应用其他不匹配的逆变换会导致类似噪声的模式。加州大学洛杉矶分校的团队通过实验证明了这种同类全光学图像加密在近红外和太赫兹波长下的概念验证，验证了其在电磁频谱不同部分的可行性。

这种基于衍射网络的图像加密方案不是对所有类别的输入对象不加选择地使用固定的变换矩阵，而是执行一组预先确定的变换，每个变换专门且专门分配给一个数据类。相反，来自不需要的数据类的任何其他输入图像都将导致不可解释、无意义的输出图像。

这种特定于类的加密设计增加了额外的安全层，并且通过逆向工程使破译属于目标数据类的原始图像变得更加困难。

除了增强的安全性外，这种特定于级别的设计还可以仅使用一个衍射加密网络同时向多个最终用户安全分发数据，其中可以根据其数据访问权限将不同的解密密钥分发给不同的接收器。这确保了只有所需的输入数据部分与授权用户共享，即使单个衍射网络对所有这些不同的数据类别进行光学加密。

这种基于衍射网络的数据类特定加密完全基于光通过无源透射层的传播执行，除了照明光外不需要外部计算能力。此功能使系统对使用快速、特定于任务且节能的全光纤加密器进行分布式图像加密具有吸引力。

这种新的衍射图像加密设计可能为进一步开发图像和数据安全解决方案以及在不同照明波长下工作的全光学图像处理设备铺平道路。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：图像网络加密