本所聲明  |  中科院  |  OA  |  ARP  |  English  |  郵箱  |  舊版首頁

超強激光科學卓越創新簡報

(第一百十五期)

2020年6月24日

上海光機所在動態照明深度學習關聯成像研究方面取得新進展

  近期,中国科学院上海光学精密机械研究所量子光学重点实验室提出一种适用于傅里叶变换关联成像系统的深度学习网络模型,该方法可实现关联成像动态解码,样品只需单次曝光即可获得高质量图像。相关論文发表在Optics Express 28, 17556-17569 (2020)。

  近年來,基于深度學習的關聯成像技術在光學成像領域引起了廣泛關注,但是確定性照明和多次測量仍然是獲得高質量重構圖像的必要條件。然而,在X射線顯微、原子顯微等實際成像過程中,輻照樣品的照明散斑場往往是動態變化的。

  研究團隊充分利用傅裏葉變換關聯成像系統的特點,提出了一種動態解碼神經網絡模型(Y-Net),只要訓練過程和成像過程的散斑場統計特性一致,即可高質量重建樣品圖像,且樣品只需單次曝光。由于網絡具有動態解碼特性,訓練散斑場的空間分布可以完全不同于實驗散斑場,因此可以采用模擬數據訓練網絡,從而解決了常規深度學習成像方法中的數據來源問題。此外,該方法基于端對端的方式實現樣品圖像重構,從而避免了傅裏葉成像中的相位恢複問題。該方法對于實現高分辨X射線成像顯微應用具有重要意義,將顯著提升圖像質量和成像速度,並有效減少輻射損傷。

  相關研究得到國家自然科學基金重大科研儀器項目、國家重點研發計劃項目的支持。(量子光學重點實驗室供稿)

  原文鏈接

图1 基于深度学习的傅里叶变换关联成像原理(a)成像光路(b)网络数据流

图2 动态解码网络模型(Y-Net)及实验结果

附件下載: