圖1 MDFP-Net網(wǎng)絡結構

近日，中國科學院西安光機所空間光學技術研究室在計算成像可解釋性深度學習重建方法研究取得創(chuàng)新性進展。相關研究成果發(fā)表于計算機視覺與圖形學領域國際著名期刊Computational Visual Media(簡稱CMVJ，IF：17.3)，該期刊影響因子位居JCR計算機學科軟件工程類期刊首位。西安光機所李寶鵬高級工程師為論文第一作者，西安光機所馬彩文研究員和西安交通大學謝琦副教授為共同通信作者。西安光機所樊學武研究員、趙惠研究員、高偉研究員、楊明洋研究助理，西安交通大學潘志斌教授和孟德宇教授為合作者。論文的第一完成單位為中國科學院西安光機所，通訊單位為中國科學院西安光機所和西安交通大學。

傅里葉疊層成像是一種新興的計算成像技術，其成像的正向模型包括光瞳函數(shù)的低通濾波、光瞳在頻域內的掃描采樣、傅里葉變換和復雜的成像噪聲污染。傳統(tǒng)基于深度神經(jīng)網(wǎng)絡學習(如卷積神經(jīng)網(wǎng)絡)方法在遠距離場景下，環(huán)境噪聲干擾更為復雜，高分辨率圖像重建難度顯著增加。

對此，研究團隊創(chuàng)新性地提出了一種融合可學習正則化項的優(yōu)化模型，結合近端梯度優(yōu)化算法，為構建可解釋的深度學習模型奠定理論基礎?；诖?，團隊設計出全新模型驅動的傅里葉疊層重建網(wǎng)絡(MDFP-Net)，MDFP-Net為首個通過復數(shù)域與實數(shù)域交替迭代優(yōu)化，將振幅流重建算法嵌入網(wǎng)絡結構的深度可展開網(wǎng)絡，有效實現(xiàn)了振幅的重構。MDFP-Net的各模塊設計具有明晰的物理意義，使傅里葉疊層重建過程的所有模塊均具備可解釋性，顯著提升了深度學習在計算成像中的理論合理性與計算成像性能。

圖2 不同方法仿真圖像重建結果

圖3 實驗場景

圖4 不同方法8.7m真實場景重建結果

為驗證MDFP-Net在實現(xiàn)高質量和快速重建方面的有效性，研究團隊開發(fā)了一套遠距離反射式傅里葉疊層成像系統(tǒng)，順利完成了8.7m外真實樣本數(shù)據(jù)采集。研究成果在既推動了傅里葉疊層成像技術的認知深化，也通過創(chuàng)新性地融合深度學習與計算成像方法，為計算光學成像的研究提供了新的技術思路，未來有望突破更遠距離成像場景限制，有為遙感等領域應用提供技術支撐的潛力。

研究得到中國科學院西部青年學者項目和超快光科學與技術全國重點實驗室開放基金的資助。

西安光機所空間光學技術研究室始終緊密圍繞國家重大工程需求，專注于高分辨率成像技術的深入研究。研究室繼承并發(fā)展了傳統(tǒng)的高分辨率相機技術，積極探索新型高分辨率成像技術、相位恢復和深度學習等前沿科技領域。

審核編輯 黃宇