近日，中国科学院上海光学精密机械研究所信息光学与光电技术实验室司徒国海研究员团队提出了基于深度学习的可拓展散斑相关成像方法，可在不同散射介质干扰下实现对不同类型物体的恢复，突破了传统深度学习方法因泛化性问题而难以同时应对成像系统及成像场景变化的瓶颈。相关论文近期以“DeepSCI: Scalable speckle correlation imaging using physics-enhanced deep learning”为题发表在Optics Letters上。

　　散射成像技术突破了传统成像方法的成像视距，大幅提升了光学成像系统的环境适应性。近年来发展的基于深度学习的散射成像方法在提升成像深度和速度、降低成像装置复杂度等方面具有独特优势。但是，这种数据驱动的方法存在训练数据获取困难、泛化性及可解释性差等问题，难以对不同散射环境下的不同结构类型物体进行成像。课题组此前提出融合成像系统物理模型的方法为解决上述问题提供了新思路，但因难以对散射成像系统进行正向建模而无法将其直接应用到散射成像中。

　　研究团队基于光学记忆效应，将散斑相关成像中建立的物体与散斑图之间的联系视为正向物理模型（图1a），并融入深度学习算法中（图1b-c）。当散射介质和物体类型变化引起数据漂移时，利用物体图像与散斑图由上述物理模型建立的等式关系，对预训练网络进行微调，使得网络输出的物体图像估计满足物理模型的约束（图1c）。尽管从散斑图重建物体图像是一个典型的病态逆问题，但由于预训练模型蕴含了训练数据中丰富的隐式先验信息，网络输出结果可在物理模型的约束下逼近真实物体图像（图1d）。仿真和实验结果表明，这种模型与数据联合驱动的方法，可使用由一类散射介质和目标物体获得的数据预训练网络，实现透过不同散射介质对不同结构类型物体进行成像（图2）。

　　原文链接

图1 所提方法示意图。（a）散射成像系统；（b）数据驱动预训练；（c）模型驱动微调；（d）微调过程，网络直接输出结果经微调后逼近真实物体图像。

图2 散斑相关成像实验装置及实验结果。（a）物体真值；（b）散斑自相关；（c）预训练网络直接输出；（d）模型驱动非训练网络结果；（e）HIO结果；（f）对预训练网络进行微调结果。