社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

Light | 深度学习赋能无渐晕散射成像

中国光学 • 1 月前 • 81 次点击  

图片

图片

Banner





本文由论文作者团队撰稿

Light:深度学习赋能无渐晕散射成像

近红外光能够穿透更深的生物组织,在生物医学成像、深层组织探测和复杂环境传感中具有重要价值。然而,光在浑浊介质中传播时会经历多重散射,原有的空间结构和相位信息被打乱;与此同时,上转换成像虽然能够将近红外信号转换到可见光波段并使用低成本硅基探测器记录,却普遍受到边缘亮度快速衰减的暗角效应限制,难以兼顾宽视场与高保真成像。


近期,加州大学洛杉矶分校(UCLA)张皓博士、罗切斯特大学徐阳博士Robert W. Boyd教授Sergio Carbajo教授等联合团队提出了一种名为DeepTimeGate的混合监督深度学习框架,将基于epsilon-near-zero(ENZ)材料的时间门控光学系统与双阶段深度神经网络相结合,成功实现了散射介质中无渐晕、高保真的图像重建。在多种振幅散射和相位散射条件下,该方法相较原始四波混频散射图像将平均峰值信噪比提高124%、结构相似性提高231%,交并比提升约10倍;同时将平均有效视场扩展45.5%,并将散斑伪影比例降至0.16%。相关成果以“Hybrid deep reconstruction for vignetting-free upconversion imaging through scattering in epsilon-near-zero materials”为题发表于Light: Science & Applications


近红外成像通常依赖InGaAs等专用探测器,其成本、暗噪声和系统复杂度限制了大规模应用。上转换成像通过和频或四波混频等非线性过程将近红外信号转换为可见光,使其能够由成熟的CMOS或EMCCD探测器记录。但非线性波混频通常要求严格的能量与动量匹配,有限的角接受范围会削弱离轴光线的转换效率,使图像外围出现分辨率下降和亮度衰减,即暗角效应


使用厚非线性晶体提高转换效率时,相位匹配容差还会进一步收紧。近零介电常数材料在介电常数实部接近零的波段具有显著的局域场增强和非线性响应,亚波长薄膜也能够部分放宽传统相位匹配约束。然而,泵浦—探测几何结构、物理孔径和散射介质中的弹道光耦合效率仍会限制有效视场。


此外,时间门输出中的暗角、散斑和空间非均匀噪声具有明显的非线性与时空耦合特征,难以由针对高斯噪声或泊松噪声设计的通用图像恢复网络直接处理。单纯监督学习依赖成对标签,纯自监督方法又容易缺少稳定的全局结构约束,因此需要将物理层的散射抑制与算法层的结构恢复设计为统一的成像链路


研究团队首先构建了基于近零介电常数氧化铟锡薄膜的超快上转换时间门。携带图像信息的近红外信号通过散射介质后,与飞秒门控脉冲在氧化铟锡薄膜中时空重合。由于弹道光子经历的传播路径更直接、到达时间更集中,飞秒时间门能够优先选取弹道成分并抑制多重散射背景。上转换信号最终由低成本CMOS相机记录,从物理层获得对散射噪声初步抑制的观测数据。

图1:DeepTimeGate整体流程。近红外结构光经过散射后,与飞秒门控脉冲在ENZ-ITO薄膜中发生四波混频;时间门输出依次经过监督式U-Net粗重建和自监督DIP残差优化


在计算层,研究团队提出双阶段混合监督框架DeepTimeGate。第一阶段使用具有五级编码器、瓶颈层和五级解码器的U-Net,在成对四波混频散射图像与干净近红外掩模监督下完成粗粒度结构恢复。第二阶段冻结U-Net权重,并针对每个样本独立优化轻量级深度图像先验模块。该模块不直接重新生成整幅图像,而是学习叠加到粗重建结果上的残差修正,并通过自监督图像一致性损失约束输出,从而降低单阶段监督网络在低信号外围区域产生伪影的风险。

图2:不同散射条件下的重建结果与注意力分析。相较第一阶段输出,第二阶段进一步连接断裂边缘、抑制孤立亮点和散斑,并改善涡旋相位图案的轮廓连续性



总结与展望

该研究将近零介电常数材料的超快非线性时间门与混合监督深度重建整合为端到端散射成像系统,解决了传统上转换成像中暗角、低信噪比和有效视场受限的共同瓶颈。物理层先通过飞秒时间选择增强弹道光成分,算法层再结合监督数据先验与单样本自监督先验完成结构恢复,使系统能够在振幅散射与相位散射条件下保持较高的图像保真度和空间连续性。后续工作将面向真实生物样本验证,包括活细胞、组织切片和类器官,并进一步研究跨组织、跨设备的迁移学习与联邦学习方法。结合阵列化并行成像、微型化光学系统、光纤探头或内窥镜平台,该技术有望服务于深层组织观察、动态细胞监测、微血管成像以及复杂介质中的智能光学传感。



论文信息

Zhang, H., Xu, Y., Zhang, W. et al. Hybrid deep reconstruction for vignetting-free upconversion imaging through scattering in epsilon-near-zero materials. Light Sci Appl  15, 327 (2026). 
https://doi.org/10.1038/s41377-026-02375-6



来源:LightScienceApplications公众号

编辑:赵阳



高被引文章统计


如下数据来自Web of Science,Light: Science & Applications的高被引文章数量在国内同类期刊中稳居领军地位。截至目前:


超过3000次引用的文章有1

https://doi.org/10.1038/lsa.2014.99

超过2000次引用的文章有2

https://doi.org/10.1038/s41377-019-0194-2

超过1000次引用的文章有8

https://doi.org/10.1038/lsa.2014.30

https://doi.org/10.1038/s41377-020-0341-9

https://doi.org/10.1038/lsa.2016.133

https://doi.org/10.1038/lsa.2017.168

https://doi.org/10.1038/lsa.2017.141

https://doi.org/10.1038/s41377-021-00658-8

超过800次引用的文章有9

https://doi.org/10.1038/lsa.2014.48

超过700次引用的文章有15

https://doi.org/10.1038/s41377-018-0078-x‍

https://doi.org/10.1038/lsa.2013.28

https://doi.org/10.1038/s41377-020-0326-8

https://doi.org/10.1038/s41377-022-00714-x

https://doi.org/10.1038/s41377-020-0264-5‍

https://doi.org/10.1038/s41377-018-0060-7

超过600次引用的文章有26

https://doi.org/10.1038/lsa.2015.30

https://doi.org/10.1038/lsa.2015.67

https://doi.org/10.1038/s41377-020-0268-1

https://doi.org/10.1038/lsa.2014.46

https://doi.org/10.1038/lsa.2014.60

https://doi.org/10.1038/lsa.2017.146

https://doi.org/10.1038/lsa.2017.39

https://doi.org/10.1038/lsa.2015.131

https://doi.org/10.1038/s41377-020-00421-5

https://doi.org/10.1038/s41377-022-00897-3

https://doi.org/10.1038/s41377-021-00639-x

超过500次引用的文章有46

https://doi.org/10.1038/lsa.2013.26

https://doi.org/10.1038/lsa.2016.17

https://doi.org/10.1038/lsa.2014.94

https://doi.org/10.1038/lsa.2014.42

https://doi.org/10.1038/lsa.2015.97

https://doi.org/10.1038/s41377-019-0148-8

https://doi.org/10.1038/lsa.2016.76

https://doi.org/10.1038/s41377-018-0091-0

https://doi.org/10.1038/s41377-021-00501-0

https://doi.org/10.1038/lsa.2017.134

https://doi.org/10.1038/lsa.2014.58

https://doi.org/10.1038/s41377-022-00717-8

https://doi.org/10.1038/lsa.2012.1

https://doi.org/10.1038/s41377-019-0201-7

https://doi.org/10.1038/s41377-021-00497-7

https://doi.org/10.1038/s41377-020-00353-0

https://doi.org/10.1038/s41377-021-00527-4

https://doi.org/10.1038/s41377-020-0331-y

https://doi.org/10.1038/s41377-019-0191-5

https://doi.org/10.1038/s41377-021-00551-4

超过400次引用的文章有77

https://doi.org/10.1038/lsa.2015.59

https://doi.org/10.1038/s41377-018-0013-1

https://doi.org/10.1038/lsa.2014.22

https://doi.org/10.1038/lsa.2015.137

https://doi.org/10.1038/s41377-022-00851-3

https://doi.org/10.1038/s41377-018-0038-5

https://doi.org/10.1038/s41377-020-00367-8

https://doi.org/10.1038/s41377-019-0205-3

https://doi.org/10.1038/s41377-018-0090-1

https://doi.org/10.1038/s41377-021-00655-x

https://doi.org/10.1038/lsa.2016.243

https://doi.org/10.1038/s41377-021-00469-x

https://doi.org/10.1038/s41377-021-00500-1

https://doi.org/10.1038/s41377-020-0246-7

https://doi.org/10.1038/lsa.2016.144

https://doi.org/10.1038/lsa.2017.16

https://doi.org/10.1038/lsa.2013.6

https://doi.org/10.1038/s41377-021-00552-3

https://doi.org/10.1038/s41377-020-0303-2

https://doi.org/10.1038/s41377-022-00904-7

https://doi.org/10.1038/s41377-022-00885-7

https://doi.org/10.1038/s41377-019-0129-y

https://doi.org/10.1038/s41377-022-01047-5

https://doi.org/10.1038/s41377-019-0184-4

https://doi.org/10.1038/lsa.2013.22

https://doi.org/10.1038/s41377-021-00516-7

https://doi.org/10.1038/s41377-019-0178-2

https://doi.org/10.1038/s41377-021-00628-0

https://doi.org/10.1038/s41377-021-00471-3

https://doi.org/10.1038/s41377-021-00474-0

https://doi.org/10.1038/s41377-020-0302-3

超过300次引用的文章有139

超过200次引用的文章有 244

超过100次引用的文章有598

超过50次引用的文章有1141


欢迎课题组投宣传稿

请扫码联系值班编辑




























































































Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/199943