eLight | 无需电脑！漫射介质成像新纪元

撰稿 | Aydogan Ozcan 课题组、OSANJU 刘扬

长期以来，透过散射和扩散介质成像一直是一个重要问题，在生物医学、大气物理学、遥感、天文学、海洋学、自动控制以及智能机器人等领域具有十分重要的意义。

原则上，利用漫射器的传输矩阵的先验信息，可以使用计算机恢复失真的图像。然而，目前还不存在精确获得漫射器的传输矩阵的简单解决方案。此外，如果散射介质发生变化，则传输矩阵将显著偏离其测量功能，这部分限制了此类方法在测量未知漫射体方面的实用性。

为了克服其中的挑战，基于自适应光学的方法被应用于不同的场景，随着波前整形的显著进步，透过混浊介质进行宽场实时成像成为可能。但是这些算法是通过计算机实现的，并且需要已知的参考物体，这给成像系统带来了额外的复杂性。近年来，研究人员通过由失真对象及其相应的无失真图像组成的图像来训练深度神经网络，可以重建扭曲的图像。

但是，以上所有方法都需要借助计算机。

鉴于此，来自美国加州大学洛杉矶分校的校长教授、计算成像领域顶级科学家 Aydogan Ozcan 教授及其团队近期提出了一种全新的范式来透过漫射介质对物体进行成像。该方法无需计算机和任何数字处理，即可立即透过未知、随机生成的相位漫射介质，全光学重建被扭曲的物体图像。此外，除了照亮漫射介质后物体的光外，该方法不须任何外部能耗。

为了实现这一目标，该研究团队使用深度学习训练了一组衍射表面或透射层，以光学重建放置于随机漫射器后的未知物体的图像。漫射器扭曲的光场透过一层层设计好的衍射表面。每个经过训练的衍射表面上数以万计的衍射特征（也称为神经元），都在共同计算输出端所需的图像——也即是说，图像重建以光通过衍射层的传播速度极快完成。

在训练期间，许多不同的随机选择的相位漫射介质被用来帮助泛化衍射神经网络。在这种基于深度学习的一劳永逸的训练设计之后，生成的衍射表面被制造出来，并被组合在一起以形成位于未知的新相位漫射介质和输出/像平面之间的物理网络。在这个位置上，训练后的网络收集相位漫射介质后面的散射光，并以光学方式重建物体的图像。

该研究团队已成功在太赫兹波段下实验验证了该方法。他们用 3D 打印机制作了他们设计好的衍射网络，以展示能够透过训练期间从未使用过的、随机生成的相位漫射介质成像的能力。该团队还使用更深的，有额外衍射层的神经网络来提高物体重建质量。

这种使用无源衍射层实现的全光学图像重建的方法使得我们能够透过未知的相位漫射介质看到物体。与现有的基于深度学习或使用数字计算机的迭代图像重建方法相比，它提供了一种无需电脑、极低功耗的全光解决方案。

图 1：无需电脑的漫射介质全光成像

该成果“Computational Imaging Without a Computer: Seeing Through Random Diffusers at the Speed of Light”发表在 eLight。此外，Aydogan Ozcan 教授近期先后于马克斯普朗克光学研究所公开报告（相关链接>）和 SPIE Photonics West 2022（1月25日线下Keynote talk，即将于线上公开）重点介绍了该项工作；波士顿大学的 Lei Tian 教授为本文撰写 News & Views，即将发表于 Light: Science & Applications。

该团队认为，这一方法可以进一步拓展至电磁光谱的其他部分，包括可见光和远/中红外波段。本文中的实验已经验证了该方法可以有效适用于薄的随机相位漫射介质，将来，该方法还可以扩展到透视体积漫射介质，例如雾。因此，该方法可以推动那些亟需通过漫射介质成像的领域（例如生物医学成像、天文学、自动驾驶、机器人、国防/安全应用等）的发展。

| 论文信息 |

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

监制 | 郭宸孜、孙婷婷、赵阳

编辑 | 赵唯

阅读原文