撰稿 | Aydogan Ozcan 課題組、OSANJU 劉揚

長期以來，透過散射和擴散介質成像一直是一個重要問題，在生物醫學、大氣物理學、遙感、天文學、海洋學、自動控制以及智能機器人等領域具有十分重要的意義。

原則上，利用漫射器的傳輸矩陣的先驗信息，可以使用計算機恢復失真的圖像。然而，目前還不存在精確獲得漫射器的傳輸矩陣的簡單解決方案。此外，如果散射介質發生變化，則傳輸矩陣將顯著偏離其測量功能，這部分限制了此類方法在測量未知漫射體方面的實用性。

為了克服其中的挑戰，基于自適應光學的方法被應用于不同的場景，隨著波前整形的顯著進步，透過混濁介質進行寬場實時成像成為可能。但是這些算法是通過計算機實現的，并且需要已知的參考物體，這給成像系統帶來了額外的復雜性。近年來，研究人員通過由失真對象及其相應的無失真圖像組成的圖像來訓練深度神經網絡，可以重建扭曲的圖像。

但是，以上所有方法都需要借助計算機。

鑒于此，來自美國加州大學洛杉磯分校的校長教授、計算成像領域頂級科學家 Aydogan Ozcan 教授及其團隊近期提出了一種全新的范式來透過漫射介質對物體進行成像。該方法無需計算機和任何數字處理，即可立即透過未知、隨機生成的相位漫射介質，全光學重建被扭曲的物體圖像。此外，除了照亮漫射介質后物體的光外，該方法不須任何外部能耗。

為了實現這一目標，該研究團隊使用深度學習訓練了一組衍射表面或透射層，以光學重建放置于隨機漫射器后的未知物體的圖像。漫射器扭曲的光場透過一層層設計好的衍射表面。每個經過訓練的衍射表面上數以萬計的衍射特征（也稱為神經元），都在共同計算輸出端所需的圖像——也即是說，圖像重建以光通過衍射層的傳播速度極快完成。

在訓練期間，許多不同的隨機選擇的相位漫射介質被用來幫助泛化衍射神經網絡。在這種基于深度學習的一勞永逸的訓練設計之后，生成的衍射表面被制造出來，并被組合在一起以形成位于未知的新相位漫射介質和輸出/像平面之間的物理網絡。在這個位置上，訓練后的網絡收集相位漫射介質后面的散射光，并以光學方式重建物體的圖像。

該研究團隊已成功在太赫茲波段下實驗驗證了該方法。他們用 3D 打印機制作了他們設計好的衍射網絡，以展示能夠透過訓練期間從未使用過的、隨機生成的相位漫射介質成像的能力。該團隊還使用更深的，有額外衍射層的神經網絡來提高物體重建質量。

這種使用無源衍射層實現的全光學圖像重建的方法使得我們能夠透過未知的相位漫射介質看到物體。與現有的基于深度學習或使用數字計算機的迭代圖像重建方法相比，它提供了一種無需電腦、極低功耗的全光解決方案。

圖 1：無需電腦的漫射介質全光成像

該成果“Computational Imaging Without a Computer: Seeing Through Random Diffusers at the Speed of Light”發表在 eLight。此外，Aydogan Ozcan 教授近期先后于馬克斯普朗克光學研究所公開報告（相關鏈接>）和 SPIE Photonics West 2022（1月25日線下Keynote talk，即將于線上公開）重點介紹了該項工作；波士頓大學的 Lei Tian 教授為本文撰寫 News & Views，即將發表于 Light: Science & Applications。

該團隊認為，這一方法可以進一步拓展至電磁光譜的其他部分，包括可見光和遠/中紅外波段。本文中的實驗已經驗證了該方法可以有效適用于薄的隨機相位漫射介質，將來，該方法還可以擴展到透視體積漫射介質，例如霧。因此，該方法可以推動那些亟需通過漫射介質成像的領域（例如生物醫學成像、天文學、自動駕駛、機器人、國防/安全應用等）的發展。

| 論文信息 |

Luo, Y., Zhao, Y., Li, J. et al. Computational imaging without a computer: seeing through random diffusers at the speed of light. eLight 2, 4 (2022).

https://doi.org/10.1186/s43593-022-00012-4

監制 | 郭宸孜、孫婷婷、趙陽

編輯 | 趙唯

閱讀原文