近日，中國科學院西安光學精密機械研究所瞬態光學與光子技術國家重點實驗室姚保利課題組在智能光學顯微成像研究方面取得新進展。相關研究成果以Dual-wavelength in-line digital holography with untrained deep neural networks為題，在線發表在《光子學研究》上。
雙波長同軸數字全息（Dual-wavelength in-line digital holography，DIDH）是高精度定量相位成像的常用方法之一。在實際DIDH成像中，兩個固有因素影響成像的質量：每個單一波長成像的噪聲會出現在雙波長全息圖中，導致相位重建中噪聲放大的問題；孿生像問題影響同軸數字全息的成像質量。研究人員利用光路改進或算法補償等方法來解決上述問題，卻面臨加大光路復雜度與強噪聲條件下魯棒性不足等問題。相比之下，深度學習技術憑借其噪聲抑制或孿生像抑制能力，成為DIDH成像的有力工具。然而，當前多數基于深度學習的方法依賴于監督學習和訓練實例，即需要大量的訓練集來優化其權值和偏差。而在雙波長同軸數字全息成像中，由于噪聲放大、孿生像以及成像系統穩定性等影響，使實際應用中不太可能獲得足夠數量的真值圖像用于訓練，限制了該類神經網絡在DIDH中的廣泛應用。
針對上述問題，課題組提出了用于DIDH成像的非訓練神經網絡即DIDH-Net，可從DIDH成像數據中重建出噪聲和孿生像雙重抑制的目標相位分布。DIDH-Net本質上是通過將非卷積網絡與真實成像物理過程模型相結合而建立，即將神經網絡成像結果與用于光學DIDH成像的特定模型相結合，從而避免了傳統網絡訓練所需的極大數據量。此外，該DIDH-Net不需要對成像參數或操作（如相移、訓練數據等）進行額外的修改，便可實現高分辨率和高精度相位成像和測量。
與其他迭代相位成像方法相比，基于深度學習的方法不需要在精確相位重建和魯棒性之間進行權衡，因而在DIDH成像中具有優勢。傳統的端到端方法通常從一組訓練數據中學習映射函數，而當實測數據沒有使用相同的權重集進行擬合時，該種數據驅動方案中的誤差則不可避免，并在重構結果中帶來偽影和噪聲；在放大噪聲和孿生像作用下，這種情況將更嚴重。由于沒有任何用于訓練的標記數據，DIDH-Net僅需對圖像形成機制進行相對精確的建模，繼而將該物理模型與傳統的深度神經網絡相結合，便可以有效且準確地用單幅DIDH成像重建物體的相位分布信息。該研究可以為DIDH提供魯棒的相位重建和高精度的光學厚度測量，并可為其他數字全息成像方案提供借鑒。
近年來，姚保利團隊致力于智能光學顯微成像技術研究，在成像功能、信息獲取維度、性能指標等方面取得了進展，繼而形成了多種新型光學顯微成像技術，例如，利用深度學習技術實現全彩寬場顯微光切片三維成像、共聚焦顯微快速超分辨三維成像、快速光片三維顯微成像等；利用壓縮感知技術實現了高分辨率高信噪比的光片顯微成像、散射介質后定量相位快速計算成像、魯棒襯度傳遞函數相位成像等。