使用深度学习的超冷原子单次曝光吸收成像

吸收成像是在超冷原子实验中最常用的探测技术。标准程序包括在连续曝光中获取两帧图像，一帧包含原子吸收信号，另一帧则不含该信号。一个众所周知的问题是最终图像中存在残余的结构噪声，这是由于两次曝光中的成像光存在微小差异所致。本文通过仅使用一次曝光解决了这一问题，其中参考帧由无监督图像补全自编码神经网络生成。该网络经过训练，可以在没有吸收信号的图像上工作，从而根据包围信号区域的信息推断出叠加在原子信号上的噪声。我们使用量子简并费米气体捕获的数据展示了这种方法的有效性。结果显示，最终图像中的平均残余噪声低于标准双次曝光技术所获得的图像。我们的方法简化了实验流程，降低了硬件需求，并且可以提高提取物理可观测量的准确性。训练好的网络及其生成脚本作为开源存储库提供（http://absDL.github.io/）。