Mingjun Xiang
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
Research Subjects
Mingjun Xiang has a total of 7 co-authors. Here are the top co-authors by number of shared publications:
- Hartmut G. Roskos
Physikalisches Institut, Johann Wolfgang Goethe-Universität, Frankfurt am Main, Germany
2 shared publications - Hui Yuan
Physikalisches Institut Goethe-Universität Frankfurt am Main 60438 Frankfurt am Main Germany
2 shared publications - Amlan Kusum Mukherjee
Department of Electrical Engineering and Information Technology, Technical University of Darmstadt, Darmstadt, Germany
1 shared publication Kai Zhou
Frankfurt Institute for Advanced Studies
1 shared publication- Kai Zhou
The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)
1 shared publication - Lingxiao Wang
RIKEN Center for Interdisciplinary Theoretical and Mathematical Sciences (iTHEMS) 351-0198 Wako Saitama Japan
1 shared publication
Latest Publications
- Open Access
- 10 September 2025
- Published by University Library J. C. Senckenberg
Physics-informed deep learning for terahertz computational imaging: phase, depth and occluded object reconstruction
Terahertz (THz)-Wellen, mit Frequenzen zwischen 0,1 THz und 10 THz, stellen elektromagnetische Strahlung dar, die zwischen Mikrowellen und Infrarotlicht liegt. Aufgrund ihrer nicht-ionisierenden und energiearmen Eigenschaften sind THz-Wellen für lebendes Gewebe ungefährlich und ermöglichen sichere Anwendungen in der biomedizinischen Bildgebung. Zudem können sie nichtmetallische Materialien wie Papier, Kunststoff, Keramik und Textilien durchdringen und sind empfindlich gegenüber polaren Molekülen, Wassergehalt und chemischen Zusammensetzungen. Diese Eigenschaften machen sie besonders geeignet für Anwendungen in der Sicherheitskontrolle, Biomedizin, Arzneimittelqualitätsprüfung, Analyse von Verbundwerkstoffen und der Untersuchung kulturellen Erbes. Mit den jüngsten Fortschritten in Hochgeschwindigkeits-Elektronik, quantenbasierten THz-Quellen und Detektorarrays entwickeln sich THz-Systeme hin zu höheren Frequenzen, größerer Leistung und höherer Integration. Diese Entwicklungen verbessern die Machbarkeit von THz-Systemen in technischen Anwendungen erheblich. Beispielsweise sind neuartige THz-Quellen wie photoleitende Antennen, die durch Femtosekundenlaser gepumpt werden, und Quantenkaskadenlaser (QCL) zunehmend kommerziell verfügbar. Die Detektionstechnologie hat sich von thermischen Detektoren zu kohärenten Detektionssystemen mit höherer Empfindlichkeit und schnellerer Reaktionszeit entwickelt. Auf dieser Grundlage entstehen integrierte THz-Bildgebungssysteme und miniaturisierte Module, die den Einsatz in Sicherheitskontrolltoren, medizinischen Scannern und industriellen Inspektionsplattformen ermöglichen. Trotz der verbesserten Hardwareleistung stehen THz-Bildgebungssysteme bei der praktischen Implementierung vor mehreren Herausforderungen. Einerseits sind die Systemkosten hoch und die Geräte komplex, was ihre breite Anwendung in ressourcenarmen Umgebungen einschränkt. Andererseits weisen THz-Bilder häufig niedrigen Kontrast, hohe Rauschsensitivität und Schwierigkeiten bei der Erfassung von Phaseninformationen auf, was die Effektivität nachfolgender Bildverarbeitungs- und Analysealgorithmen erheblich einschränkt. Daher ist es entscheidend, die Rekonstruktionsfähigkeit und Informationsnutzungseffizienz der Bilddaten zu verbessern und leistungsstarke, wenig abhängige und übertragbare Bildrekonstruktionsmethoden zu entwickeln. Um diesen Herausforderungen zu begegnen, wurde ein einheitlicher Rahmen für die THz-Bildrekonstruktion entwickelt, der auf physik-informierten neuronalen Netzwerken basiert. Der Kern dieses Ansatzes ist die Integration der physikalischen Ausbreitungsgesetze von THz-Wellen, insbesondere der Winkel-Spektrum-Methode (Angular Spectrum Method), als eingebettetes physikalisches Modul in die Vorwärtsstruktur und Verlustfunktion des neuronalen Netzwerks. Dadurch entsteht ein neuronales Netzwerk, das sowohl über Bilddarstellungsfähigkeiten als auch über physikalische Einschränkungen verfügt. Dieser Ansatz ermöglicht unter komplexen Bedingungen wie fehlender Referenzwelle, begrenzten Beschriftungsdaten und teilweiser Verdeckung die hochpräzise Rekonstruktion von Amplitude, Phase und 3D-Struktur des Zielobjekts aus einem einzelnen Intensitätsbild. Phase 1: Zwei-dimensionale komplexe Amplitudenrekonstruktion durch Kombination von überwachtem und unüberwachtem Lernen In der ersten Phase wurde eine Methode entwickelt, die überwachtes und unüberwachtes Lernen kombiniert, um aus einem einzelnen THz-Beugungsbild die zweidimensionale komplexe Amplitudeninformation (Amplitude und Phase) des Objekts im Raum zu rekonstruieren. Diese Methode verwendet das Beugungsbild, das nur Intensitätsinformationen enthält, als Eingabe und nutzt die physikalischen Ausbreitungsmechanismen der Winkel-Spektrum-Methode zur hochpräzisen Rekonstruktion des komplexen Feldes des Ziels. Simulationen und Experimente zeigen, dass diese Methode in Bezug auf Rekonstruktionsgenauigkeit, Konturschärfe und Bildstabilität herkömmlichen Algorithmen wie dem Gerchberg–Saxton-Algorithmus und Fourier-basierten Inversionsmethoden überlegen ist. Ein bemerkenswerter Vorteil dieser Methode ist die effektive Vermeidung des sogenannten "Twin-Image"-Problems, das bei herkömmlichen iterativen Algorithmen häufig auftritt. In Inline-Bildgebungsstrukturen, die keine Referenzwelle verwenden, kann die Phasenrekonstruktion durch die Überlagerung von Vorwärts- und Rückwärtsausbreitungspfaden zu Spiegelartefakten führen. Herkömmliche Algorithmen versuchen, diese Artefakte durch heuristische Strategien in mehreren Iterationen zu unterdrücken, was jedoch bei Verdeckung oder unscharfen Rändern begrenzt wirksam ist. Das hier vorgeschlagene physik-informierte neuronale Netzwerk integriert die Winkel-Spektrum-Ausbreitungsgesetze direkt in die Netzwerkstruktur und Verlustfunktion, wodurch die Entstehung von Twin-Images grundlegend vermieden wird.
- 10 September 2025
- Published by University Library J. C. Senckenberg
Open AccessPhysics-informed deep learning for terahertz computational imaging: phase, depth and occluded object reconstruction
Terahertz (THz)-Wellen, mit Frequenzen zwischen 0,1 THz und 10 THz, stellen elektromagnetische Strahlung dar, die zwischen Mikrowellen und Infrarotlicht liegt. Aufgrund ihrer nicht-ionisierenden und energiearmen Eigenschaften sind THz-Wellen für lebendes Gewebe ungefährlich und ermöglichen sichere Anwendungen in der biomedizinischen Bildgebung. Zudem können sie nichtmetallische Materialien wie Papier, Kunststoff, Keramik und Textilien durchdringen und sind empfindlich gegenüber polaren Molekülen, Wassergehalt und chemischen Zusammensetzungen. Diese Eigenschaften machen sie besonders geeignet für Anwendungen in der Sicherheitskontrolle, Biomedizin, Arzneimittelqualitätsprüfung, Analyse von Verbundwerkstoffen und der Untersuchung kulturellen Erbes. Mit den jüngsten Fortschritten in Hochgeschwindigkeits-Elektronik, quantenbasierten THz-Quellen und Detektorarrays entwickeln sich THz-Systeme hin zu höheren Frequenzen, größerer Leistung und höherer Integration. Diese Entwicklungen verbessern die Machbarkeit von THz-Systemen in technischen Anwendungen erheblich. Beispielsweise sind neuartige THz-Quellen wie photoleitende Antennen, die durch Femtosekundenlaser gepumpt werden, und Quantenkaskadenlaser (QCL) zunehmend kommerziell verfügbar. Die Detektionstechnologie hat sich von thermischen Detektoren zu kohärenten Detektionssystemen mit höherer Empfindlichkeit und schnellerer Reaktionszeit entwickelt. Auf dieser Grundlage entstehen integrierte THz-Bildgebungssysteme und miniaturisierte Module, die den Einsatz in Sicherheitskontrolltoren, medizinischen Scannern und industriellen Inspektionsplattformen ermöglichen. Trotz der verbesserten Hardwareleistung stehen THz-Bildgebungssysteme bei der praktischen Implementierung vor mehreren Herausforderungen. Einerseits sind die Systemkosten hoch und die Geräte komplex, was ihre breite Anwendung in ressourcenarmen Umgebungen einschränkt. Andererseits weisen THz-Bilder häufig niedrigen Kontrast, hohe Rauschsensitivität und Schwierigkeiten bei der Erfassung von Phaseninformationen auf, was die Effektivität nachfolgender Bildverarbeitungs- und Analysealgorithmen erheblich einschränkt. Daher ist es entscheidend, die Rekonstruktionsfähigkeit und Informationsnutzungseffizienz der Bilddaten zu verbessern und leistungsstarke, wenig abhängige und übertragbare Bildrekonstruktionsmethoden zu entwickeln. Um diesen Herausforderungen zu begegnen, wurde ein einheitlicher Rahmen für die THz-Bildrekonstruktion entwickelt, der auf physik-informierten neuronalen Netzwerken basiert. Der Kern dieses Ansatzes ist die Integration der physikalischen Ausbreitungsgesetze von THz-Wellen, insbesondere der Winkel-Spektrum-Methode (Angular Spectrum Method), als eingebettetes physikalisches Modul in die Vorwärtsstruktur und Verlustfunktion des neuronalen Netzwerks. Dadurch entsteht ein neuronales Netzwerk, das sowohl über Bilddarstellungsfähigkeiten als auch über physikalische Einschränkungen verfügt. Dieser Ansatz ermöglicht unter komplexen Bedingungen wie fehlender Referenzwelle, begrenzten Beschriftungsdaten und teilweiser Verdeckung die hochpräzise Rekonstruktion von Amplitude, Phase und 3D-Struktur des Zielobjekts aus einem einzelnen Intensitätsbild. Phase 1: Zwei-dimensionale komplexe Amplitudenrekonstruktion durch Kombination von überwachtem und unüberwachtem Lernen In der ersten Phase wurde eine Methode entwickelt, die überwachtes und unüberwachtes Lernen kombiniert, um aus einem einzelnen THz-Beugungsbild die zweidimensionale komplexe Amplitudeninformation (Amplitude und Phase) des Objekts im Raum zu rekonstruieren. Diese Methode verwendet das Beugungsbild, das nur Intensitätsinformationen enthält, als Eingabe und nutzt die physikalischen Ausbreitungsmechanismen der Winkel-Spektrum-Methode zur hochpräzisen Rekonstruktion des komplexen Feldes des Ziels. Simulationen und Experimente zeigen, dass diese Methode in Bezug auf Rekonstruktionsgenauigkeit, Konturschärfe und Bildstabilität herkömmlichen Algorithmen wie dem Gerchberg–Saxton-Algorithmus und Fourier-basierten Inversionsmethoden überlegen ist. Ein bemerkenswerter Vorteil dieser Methode ist die effektive Vermeidung des sogenannten "Twin-Image"-Problems, das bei herkömmlichen iterativen Algorithmen häufig auftritt. In Inline-Bildgebungsstrukturen, die keine Referenzwelle verwenden, kann die Phasenrekonstruktion durch die Überlagerung von Vorwärts- und Rückwärtsausbreitungspfaden zu Spiegelartefakten führen. Herkömmliche Algorithmen versuchen, diese Artefakte durch heuristische Strategien in mehreren Iterationen zu unterdrücken, was jedoch bei Verdeckung oder unscharfen Rändern begrenzt wirksam ist. Das hier vorgeschlagene physik-informierte neuronale Netzwerk integriert die Winkel-Spektrum-Ausbreitungsgesetze direkt in die Netzwerkstruktur und Verlustfunktion, wodurch die Entstehung von Twin-Images grundlegend vermieden wird.
- 14 May 2025
- Published by Optica Publishing Group in Optics Express
- Vol. 33 (10) , 21482-21495
Reconstruction of partially obscured objects with a physics-driven self-training neural network
We investigate artificial-intelligence-supported in-line holographic imaging with coherent terahertz (THz) radiation. The goal is to reconstruct three-dimensional (3D) scenes from images obtained with detectors that recorded only the power of the radiation and not the phase. This study proposes a novel approach utilizing a physics-informed deep learning (DL) algorithm to reconstruct objects which partially obscure each other. Taking the angular spectrum theory as prior knowledge, we generate a synthetic dataset consisting of a series of diffraction patterns that contain information about the type of objects to be imaged. This dataset, combined with unlabeled data obtained by experiments, are used for the self-training of a physics-informed neural network (NN). During the training process, the NN iteratively predicts images of the objects from the unlabeled dataset and reincorporates these results back into the training set. This recursive strategy includes experimentally recorded images from the studied object class in the NN training, for which the ground truth is unknown. Furthermore, the approach minimizes mutual interference during object reconstruction, demonstrating its effectiveness even in data-scarce situations. The method has been validated with both simulated and experimental data, showcasing its significant potential to advance the field of 3D THz imaging.
- 14 May 2025
- Published by Optica Publishing Group in Optics Express
- Vol. 33 (10) , 21482-21495
Reconstruction of partially obscured objects with a physics-driven self-training neural network
We investigate artificial-intelligence-supported in-line holographic imaging with coherent terahertz (THz) radiation. The goal is to reconstruct three-dimensional (3D) scenes from images obtained with detectors that recorded only the power of the radiation and not the phase. This study proposes a novel approach utilizing a physics-informed deep learning (DL) algorithm to reconstruct objects which partially obscure each other. Taking the angular spectrum theory as prior knowledge, we generate a synthetic dataset consisting of a series of diffraction patterns that contain information about the type of objects to be imaged. This dataset, combined with unlabeled data obtained by experiments, are used for the self-training of a physics-informed neural network (NN). During the training process, the NN iteratively predicts images of the objects from the unlabeled dataset and reincorporates these results back into the training set. This recursive strategy includes experimentally recorded images from the studied object class in the NN training, for which the ground truth is unknown. Furthermore, the approach minimizes mutual interference during object reconstruction, demonstrating its effectiveness even in data-scarce situations. The method has been validated with both simulated and experimental data, showcasing its significant potential to advance the field of 3D THz imaging.
- Open Access
- 3 January 2024
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Transactions on Terahertz Science and Technology
- Vol. 14 (2) , 208-215
Amplitude/Phase Retrieval for Terahertz Holography With Supervised and Unsupervised Physics-Informed Deep Learning
Most neural networks proposed for computational imaging (CI) in the terahertz (THz) bands require a large amount of experimental data to optimize their weights and biases. However, obtaining a sufficient number of ground-truth images for training is challenging in the THz domain due to the requirements of environmental and system stability, as well as the lengthy data acquisition process. To overcome this limitation, this paper proposes novel supervised and unsupervised physics-informed deep learning (DL) methods for amplitude and phase recovery by incorporating angular spectrum diffraction theory as prior knowledge. Firstly, we demonstrate that our unsupervised dual network can predict both amplitude and phase simultaneously, overcoming the limitation of previous studies that could only predict phase objects. This is demonstrated using synthetic 2D image data as well as measured diffraction images. The advantage of unsupervised DL is its ability to be used directly without labeling by human experts. Additionally, we address supervised DL, which is a concept of general applicability. We introduce training with a database set of 2D images taken in the visible spectra range and numerically modified by us to emulate THz images. This approach allows us to avoid the prohibitively time-consuming collection of a large number of THz-frequency images. Furthermore, we employ a combination method that enhances the sharpness of image edges, improves contrast, and effectively aligns the approach with the ground truth. The results obtained using both approaches represent the initial steps towards fast holographic THz imaging with reference-beam-free, low-cost power detection.
- 3 January 2024
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Transactions on Terahertz Science and Technology
- Vol. 14 (2) , 208-215
Open AccessAmplitude/Phase Retrieval for Terahertz Holography With Supervised and Unsupervised Physics-Informed Deep Learning
Most neural networks proposed for computational imaging (CI) in the terahertz (THz) bands require a large amount of experimental data to optimize their weights and biases. However, obtaining a sufficient number of ground-truth images for training is challenging in the THz domain due to the requirements of environmental and system stability, as well as the lengthy data acquisition process. To overcome this limitation, this paper proposes novel supervised and unsupervised physics-informed deep learning (DL) methods for amplitude and phase recovery by incorporating angular spectrum diffraction theory as prior knowledge. Firstly, we demonstrate that our unsupervised dual network can predict both amplitude and phase simultaneously, overcoming the limitation of previous studies that could only predict phase objects. This is demonstrated using synthetic 2D image data as well as measured diffraction images. The advantage of unsupervised DL is its ability to be used directly without labeling by human experts. Additionally, we address supervised DL, which is a concept of general applicability. We introduce training with a database set of 2D images taken in the visible spectra range and numerically modified by us to emulate THz images. This approach allows us to avoid the prohibitively time-consuming collection of a large number of THz-frequency images. Furthermore, we employ a combination method that enhances the sharpness of image edges, improves contrast, and effectively aligns the approach with the ground truth. The results obtained using both approaches represent the initial steps towards fast holographic THz imaging with reference-beam-free, low-cost power detection.
- Open Access
Broadband Terahertz Photonic Integrated Circuit with Integrated Active Photonic Devices
Present-day photonic terahertz (100 GHz–10 THz) systems offer dynamic ranges beyond 100 dB and frequency coverage beyond 4 THz. They yet predominantly employ free-space Terahertz propagation, lacking integration depth and miniaturisation capabilities without sacrificing their extreme frequency coverage. In this work, we present a high resistivity silicon-on-insulator-based multimodal waveguide topology including active components (e.g., THz receivers) as well as passive components (couplers/splitters, bends, resonators) investigated over a frequency range of 0.5–1.6 THz. The waveguides have a single mode bandwidth between 0.5–0.75 THz; however, above 1 THz, these waveguides can be operated in the overmoded regime offering lower loss than commonly implemented hollow metal waveguides, operated in the fundamental mode. Supported by quartz and polyethylene substrates, the platform for Terahertz photonic integrated circuits (Tera-PICs) is mechanically stable and easily integrable. Additionally, we demonstrate several key components for Tera-PICs: low loss bends with radii ∼2 mm, a Vivaldi antenna-based efficient near-field coupling to active devices, a 3-dB splitter and a filter based on a whispering gallery mode resonator.
Open AccessBroadband Terahertz Photonic Integrated Circuit with Integrated Active Photonic Devices
Present-day photonic terahertz (100 GHz–10 THz) systems offer dynamic ranges beyond 100 dB and frequency coverage beyond 4 THz. They yet predominantly employ free-space Terahertz propagation, lacking integration depth and miniaturisation capabilities without sacrificing their extreme frequency coverage. In this work, we present a high resistivity silicon-on-insulator-based multimodal waveguide topology including active components (e.g., THz receivers) as well as passive components (couplers/splitters, bends, resonators) investigated over a frequency range of 0.5–1.6 THz. The waveguides have a single mode bandwidth between 0.5–0.75 THz; however, above 1 THz, these waveguides can be operated in the overmoded regime offering lower loss than commonly implemented hollow metal waveguides, operated in the fundamental mode. Supported by quartz and polyethylene substrates, the platform for Terahertz photonic integrated circuits (Tera-PICs) is mechanically stable and easily integrable. Additionally, we demonstrate several key components for Tera-PICs: low loss bends with radii ∼2 mm, a Vivaldi antenna-based efficient near-field coupling to active devices, a 3-dB splitter and a filter based on a whispering gallery mode resonator.