近期，中國科學院上海光學精密機械研究所信息光學與光電子技術實驗室研究員司徒國海課題組在基于深度學習的計算成像方法上取得新進展，為深度學習在計算成像方面的應用提供了理論和實驗指導。相關成果發(fā)表于[Optics Express 27, 18, 25560 (2019)]。

　　計算成像是計算機技術和光學成像技術的交叉領域，近年來，隨著人工智能尤其是深度學習技術的迅速發(fā)展，基于深度學習的圖像重建算法被廣泛應用于計算成像中。但現(xiàn)有基于深度學習的計算成像方法需預先在大量輸入輸出數(shù)據(jù)對上訓練神經(jīng)網(wǎng)絡，實驗時需采集大量數(shù)據(jù)，并且當成像場景或成像系統(tǒng)發(fā)生較大變化時需重新采集。這限制了該方法的實際應用。

　　該課題組提出了一種利用仿真數(shù)據(jù)訓練神經(jīng)網(wǎng)絡用于恢復實驗數(shù)據(jù)的方法，并在計算鬼成像（一種單像素成像方法，通過多個照明光場及其編碼物體后所得強度漲落信息進行圖像重建）中驗證了該方法的可行性。首先，基于計算鬼成像的原理和實驗器件參數(shù)仿真生成訓練數(shù)據(jù)，然后利用仿真數(shù)據(jù)訓練神經(jīng)網(wǎng)絡（圖1）。訓練所得網(wǎng)絡能夠在6.25%的采樣比下恢復實驗數(shù)據(jù)，相比傳統(tǒng)的強度關聯(lián)和壓縮感知方法，具有更好的重建效果，且在重建過程中無需使用照明光場的信息，是一種端到端的方法（圖2）。另外，得益于計算鬼成像的獨特優(yōu)勢，該方法在物體與探測器之間存在散射介質(zhì)時仍能恢復圖像，而無需對散射介質(zhì)進行仿真（圖3）。

　　相關研究得到國家自然科學基金和中德合作小組的支持。

　　論文鏈接 

　　圖1 仿真數(shù)據(jù)生成和網(wǎng)絡訓練過程

　　圖2 仿真和實驗結果對比

　　圖3 透過散射介質(zhì)進行成像