成像专题 | 物理驱动的深度学习助力时域压缩相干成像 (Optica)

物理驱动的深度学习助力时域压缩相干成像

Physics-driven deep learning enables temporal compressive coherent diffraction imaging

本期导读

在大多数情况下的成像会使用透镜组实现物像映射，而在某些特殊情况下，如以X-ray或电子流为光源时，由于常规透镜组无法适应光源极短的波长，无透镜成像成为一种解决方案，由于其成本低、自由度高等特性被广泛关注。如图1所示，最简单的无透镜成像系统仅由光源和传感器构成，通过传感器采集相干光经目标后的自然衍射图样，再通过混合输入-输出(HIO)等算法重建出目标的图像信息。然而，无透镜成像技术一直受到采样精度、布拉格间距及动态范围等条件的限制，导致其目前仅可用于简单的静止目标成像，极大地限制了应用场景。

图1 相干衍射成像原理示意

来自西湖大学的研究人员提出了将相干衍射成像(CDI)与压缩感知成像(CS)相结合的方法，通过在目标傅里叶面增加数字微镜器件(DMD)进行空间频谱的时域编码，成功实现在普通CCD相机一次曝光时间内对20帧运动目标空间频谱的压缩采集，使无透镜成像技术可用于动态目标成像。该实验方法称为时域压缩相干衍射成像(TC-CDI)，并于近日发表在光学领域顶级期刊《Optica》。

技术路线

TC-CDI实验系统如图2所示，实验光源为780nm近红外激光，通过在目标谱面增加数字微镜器件(DMD)进行目标空间频谱的时域编码，DMD编码图像在相机一次曝光时间内进行多次变化的方式，实现对一段时间内目标衍射图样的压缩采集。

图2 实验装置示意

为了进行时域压缩频谱的多帧重建和相位恢复，该研究设计了如图3所示的基于物理驱动的深度学习算法和加入了深度神经网络的混合输入-输出(HIO)算法。可以看出，深度神经网络的加入使相位恢复过程具有比单纯的HIO算法更好的降噪效果。而时域编码和深度学习算法共同实现了通过单次曝光采集一段目标运动过程的目标。

图3 算法设计及实验结果

  图4展示了TC-CDI系统在动态分辨率上的优势，该研究选用USAF 1951分辨率测试靶进行实验。采用TC-CDI的成像结果明显优于直接进行时域压缩成像，为处理稀疏目标或微小目标场景提供了一种新的解决思路。

图4 TC-CDI与直接压缩感知成像对比

简单总结，CDI与CS的结合可实现对高速、微目标的高帧率拍摄，极大地拓宽了CDI技术的应用场景。研究结果也说明在增加合适的扫描部件时，TC-CDI系统可被用于实现单曝光、大视场、高分辨成像。在研究过程中，研究团队还发现在频域编码上，随机矩阵与稀疏矩阵的混合编码方式可被用于解决衍射图象低频成分强度过高的问题，将在后续研究中进一步探索。

论文信息：

• Ziyang Chen, Siming Zheng, Zhishen Tong, and Xin Yuan, "Physics-driven deep learning enables temporal compressive coherent diffraction imaging," Optica 9, 677-680 (2022)
  

技术详见：

https://github.com/zsm1211

*该技术分享所涉及文字及图片源于发表论文和网络公开素材,不做任何商业用途。

回顾与预告

上期回顾：显示专题 | 多指向型背光助力便携式自体视三维显示 (Optica OE)欢迎点击查阅

下期预告：我们将不定期推荐学术领域具有代表性的计算显示和计算成像研究工作，同时穿插一些新型光学设计和VR/AR光机实现科普等的资讯分享，欢迎订阅关注，欢迎来稿交流。
Contact: [e-mail]
INTELLIGENTOPTICSSHARING (I.O.S.) 运营以该领域的研究学者为主，非盈利非广告，希望能够结交共同兴趣方向的读者们，建立光学和计算机交叉学科领域内一个资讯分享交流的平台。如果喜欢，请点击“在看”和“点赞”，将有助于微信公众号平台对信息的定向统计和及时推送，小编团队在此不胜感激，谢谢！！


END