近日，中国科学院西安光学精密机械研究所联合加拿大国立科学研究院（INRS）和西北大学，在压缩高速成像领域取得重要进展。研究团队结合多先验物理增强神经网络（mPEN）与压缩光学条纹超高速摄影（COSUP），发展出单次曝光压缩上转换光致发光寿命成像技术（mPEN-sCUPLI）。相关研究成果发表于Science合作期刊《超快科学》（Ultrafast Science，IF 9.9）国际学术期刊。论文共同第一作者为西安光机所博士生栗星、博士生王思颖和西北大学陈长恒博士，通讯作者为西安光机所柏晨研究员和姚保利研究员，西安光机所为第一完成单位及通讯单位。该工作得到了国家自然科学基金、国家重点研发计划、中国科学院青年创新促进会等项目的支持。
文章引用：Xing Li, Siying Wang, Changheng Chen, Runze Li, Tong Peng, Xuan Tian, Yuan Zhou, Junwei Min, Yingming Lai, Miao Liu, et al. Upconversion Photoluminescence Lifetime Imaging via Multi-Prior Physics-Enhanced Deep Learning. Ultrafast Sci. 2026;6:0124.
DOI: 10.34133/ultrafastscience.0124
在压缩高速成像中，如何从复杂的逆问题中高保真地恢复动态序列一直是核心挑战。尽管深度学习的兴起革新了重建范式，但纯粹的端到端网络仍存在显著局限：获取大规模训练数据的成本极高，且其固有的“黑盒”特性限制了泛化能力，当测试条件与训练分布不同时，容易产生严重的结构伪影。此外，现有的物理增强框架多依赖于单一任务先验，难以应对超快场景中噪声、帧间串扰等多维度的成像干扰难题。为解决这些问题，研究团队提出多先验物理增强神经网络（mPEN）成像框架（如图1所示），打破了传统方法的局限，创新性地将光致发光动力学物理模型、扩展采样先验、稀疏性约束、深度图像先验等多先验信息深度融入非训练神经网络。通过多重互补先验的协同修正，有效抑制了重建伪影、纠正空间畸变并提升空间分辨率，特别是在低光子条件下表现出较强的鲁棒性。
图1. mPEN-sCUPLI 深度学习网络架构。该框架融合了物理模型、扩展采样先验、稀疏性约束和深度图像等先验，解决了传统方法的不稳定性。
在此基础上，研究团队设计并搭建了一种基于双光路同步采集与多先验物理增强深度学习融合的压缩高速成像系统（如图2所示）。该系统以脉冲激光作为激发光源，利用数字微镜器件（DMD）加载伪随机图案对动态场景进行空间编码。动态场景的光信号被划分为两个路径：在编码路径中，通过振镜扫描将时间信息转化为空间剪切偏移，并由CMOS相机捕获；在先验采样路径中，另一台同步的CMOS相机直接采集场景的未编码积分图像。通过数字延迟发生器与信号发生器的协同调度，实现了光源、振镜与双相机的精密同步控制。最终，借助人工智能赋能的重构方法，该系统在维持高空间分辨率的同时，实现了高速的动态成像。
图2. 基于多先验物理增强深度学习的压缩高速成像光路
基于该光路系统，本研究提出的多先验物理增强深度学习方法在光致发光成像中展现了较高的保真度。实验结果（如图3所示）表明，空间分辨率明显提升：在33,000 fps的帧率下达到~90.5 lp/mm，是基于TwIST的传统COSUP方法的3.56倍。在重构质量方面，图像锐度与保真度增强了约1.85倍，峰值信噪比（PSNR）平均提升约4 dB，有效解决了图像重构过程中的伪影干扰与畸变问题。
图3. 空间分辨率对比结果。(a)对比TwIST、PnP-ADMM等之前方法，最右列mPENFFDNET方法清晰分辨了分辨率板的细节，实现了约3.56倍（较基于TwIST的传统COSUP方法）的分辨率提升。(b)动态重构序列与截线强度曲线（白线处），验证了动态分辨率一致性。
研究团队展示了该技术用于食品安全领域的应用前景。借助稀土掺杂的上转换纳米探针，成功在酒精溶液样本里，通过捕捉微秒级的荧光寿命变化，实现了对合成色素苋菜红浓度的无损快速检测。
图4. 酒精溶液中色素浓度检测。(a-b)mPENFFDNET与PnP-ADMM方法的重构结果对比及图像细节展示，结果显示mPENFFDNET有效抑制了前者存在的伪影与强度不均匀，实现了更高保真的细节重建；(c)为图(a)橙色虚线框区域对应的3D强度分布（3D profiles）对比，结果显示mPENFFDNET有效消除了PnP-ADMM结果中的锯齿状起伏与背景噪声，使重构表面更圆滑、背景更纯净，直观体现了系统对伪影的有效抑制；(d-e)荧光衰减曲线及平均寿命分析。实验证实，通过高保真重建可定量表征荧光寿命随色素浓度增加的猝灭效应。
图5. 姚保利研究团队
姚保利研究员团队近年来对智能光学显微成像技术进行了深入研究，形成了多种新型光学显微成像技术，在成像功能、信息获取维度、性能指标等方面均获得显著提升，包括利用深度学习技术实现的全彩宽场显微光切片三维成像、共聚焦显微快速超分辨三维成像、快速光片三维显微成像，以及利用压缩感知技术实现的高分辨率高信噪比的光片显微成像、透过散射介质计算成像等。相关研究成果发表于Opto-Electron. Adv.、Photon. Res.、Opt. Lett.、Opt. Express等期刊。此外，团队在基于光场调控的光学显微成像和光学微操纵方面开展了长期的理论和实验研究工作，在PNAS、Nature Com.、Sci. Adv.、PRL、Rep. Prog. Phys.、Adv. Opt. Photon.等期刊上发表300多篇论文，授权多项国家发明专利，曾获陕西省科学技术一等奖、二等奖和陕西省重点科技创新团队等奖励和荣誉。
Introduction of Ultrafast Science
影响因子9.9，Q1区、中国科技期刊卓越行动计划高起点新刊、Science Partner Journal， 双月刊，由中国科学院主管、中国科学院西安光学精密机械研究所主办，ESCI、EI、Scopus、Inspec、DOAJ、ADS、CNKI Scholar等数据库收录。
龚旗煌 院士
魏志义，Andrius Baltuška，付玉喜
刊载超快科学研究领域的新理论、新技术、新进展、促进学术交流，推动成果转化，提高我国在该领域的科研水平和国际影响力。
阿秒光源、阿秒物理、超快激光和应用、超快成像、超快光谱、超快诊断、超快材料和探测器、超快太赫兹光子、超快电子、超快化学物理等。
期刊官网：
https://spj.science.org/journal/ultrafastscience期刊电话：029-88880368
期刊邮箱：usjournal@opt.ac.cn
欢迎关注及使用期刊出版内容，感谢赐稿！
ISSN 2097-0331 EISSN 2765-8791
CN 61-1519/O4
