Neural calibration of imaging Stokes polarimeters

Abstract

Las técnicas actuales de calibración polarimétrica derivan la matriz de modulación del instrumento ajustando numéricamente un modelo instrumental a las mediciones de un conjunto de vectores de Stokes de calibración. Estas técnicas suelen estar limitadas a un error en la recuperación de los parámetros Stokes Q, U y V normalizados, en el rango de 1 x 10⁻² a 1 x 10⁻³. Este error suele aumentar cuando la respuesta del instrumento varía considerablemente a lo largo de su campo de visión y/o cuando existen efectos instrumentales que no están incluidos en el modelo de calibración asumido, como la no linealidad de la cámara. En este trabajo, proponemos una nueva técnica para calibrar polarímetros basada en un modelo compuesto por redes neuronales multicapa (NN). Este modelo está entrenado para aprender la matriz de modulación del instrumento dada una serie de parámetros de entrada, utilizando los mismos datos de calibración que se adquieren para las técnicas actuales. La principal ventaja de nuestro enfoque basado en NN es su flexibilidad para incorporar efectos instrumentales para los que no se dispone de un modelo preciso y, posiblemente mediante la fusión de datos de otros tipos de calibraciones relevantes, obtener una respuesta del instrumento más precisa. Presentamos un resultado preliminar del rendimiento de nuestro modelo utilizando datos sintéticos, donde se conoce la verdadera respuesta del instrumento.

Current polarimetric calibration techniques derive the instrument modulation matrix by numerically fitting an instrumental model to measurements of a set of calibration Stokes vectors. These techniques are typically limited to an error on the retrieved normalized Stokes Q, U and V parameters, in the 1 X 10² to 1 X 10⁻³ range. This error commonly increases when the instrument response varies considerably across its field of view and/or when instrumental effects are present, which are not included in the assumed calibration model, such as camera non-linearity. We propose a new technique to calibrate Stokes polarimeters based on a model composed of fully- connected, multi-layer neural networks (NN’s). This model is trained to learn the instrument modulation matrix given a set of input parameters, using the same calibration data that is acquired for the current techniques. The main advantage of our NN-based approach is its flexibility to incorporate instrumental effects for which no accurate model is available and, possibly through the fusion of data from other types of relevant calibrations, obtain a more accurate instrument response. We present a preliminary result of our model performance using synthetic data, where the ground truth is known.