面向散射光场调控的波前整形方法及其成像应用(特邀)

光学散射一直以来都被认为是限制光学成像深度的重要因素。近年来,波前整形方法克服光学散射的能力引起了研究人员的广泛关注,其核心思想是通过对入射光进行相位调制,补偿散射引起的波前扰乱。波前整形方法能够有效地重新聚焦散射光,有望实现深层组织内高分辨率成像的目标。回顾了波前整形的历史发展,讨论了不同类型的波前整形方法,展示了其在克服光学散射以实现深层组织成像方面的应用实例,并展望了波前整形方法的未来发展趋势。

基于免训练自监督式神经网络算法实现压缩超快成像高保真图像重构

压缩超快成像(compressed ultrafast photography,CUP)是目前最快的被动式单次超快光学成像技术,它通过数据获取和图像重构两个步骤实现超快事件的捕捉,已发展为记录不可逆或难以重复超快事件的一种有力工具,且能够探测荧光动力学等自发光瞬态场景.然而,传统的迭代优化型算法在图像重构上的保真度较低,而端到端型深度学习算法则严重依赖训练数据,训练复杂度高、通用性不足,这限制了CUP对超快现象进行高空间分辨率的观测.为此,我们开发了一种新型的免训练自监督式神经网络算法,其通过即插即用框架(plug-and-play,PnP)与深度图像先验(deep image prior,DIP)的结合可实现CUP的低复杂度高保真图像重建,简称为PnP-DIP算法.PnP-DIP基于交替方向乘子法(alternating direction method of multipliers,ADMM),利用DIP和PnP去噪器解决图像恢复子问题,可以在防止数据过拟合和噪声累积的同时,显著提高图像重建的精度与收敛速度.通过数值模拟,我们理论上证明了PnP-DIP算法在重构原始动态信息方面相比传统ADMM算法具有更高的保真度.同时,我们分别利用PnPDIP对自主研制CUP系统观测的皮秒激光脉冲和X射线闪烁体的时空强度演化数据进行重构,实验上验证了其优越的图像重构性能.这一研究有望推动CUP在高时空分辨观测需求中的应用,并为超快动力学的实时探测作出重大贡献.