计算成像可解释性深度学习重建方法研究取得进展

傅里叶叠层成像是一种新兴的计算成像技术，其成像的正向模型包括光瞳函数的低通滤波、光瞳在频域内的扫描采样、傅里叶变换和复杂的成像噪声污染。传统基于深度神经网络学习（如卷积神经网络）方法在远距离场景下，环境噪声干扰更为复杂，高分辨率图像重建难度显著增加。

中国科学院西安光学精密机械研究所科研团队提出了一种融合可学习正则化项的优化模型，结合近端梯度优化算法，为构建可解释的深度学习模型奠定理论基础。基于此，研究团队设计出全新模型驱动的傅里叶叠层重建网络（MDFP-Net），MDFP-Net为首个通过复数域与实数域交替迭代优化，将振幅流重建算法嵌入网络结构的深度可展开网络，有效实现了振幅的重构。MDFP-Net的各模块设计具有明晰的物理意义，使傅里叶叠层重建过程的所有模块均具备可解释性，显著提升了深度学习在计算成像中的理论合理性与计算成像性能。

为验证MDFP-Net在实现高质量和快速重建方面的有效性，研究团队开发了一套远距离反射式傅里叶叠层成像系统，顺利完成了8.7m外真实样本数据采集。

研究成果既推动了傅里叶叠层成像技术的认知深化，也通过创新性地融合深度学习与计算成像方法，为计算光学成像的研究提供了新的技术思路。

近日，相关研究成果以MDFP-Net: A model-driven deep neural network for Fourier ptychography为题，发表在Computational Visual Media上。研究工作得到中国科学院西部青年学者项目和超快光科学与技术全国重点实验室开放基金的支持。

论文链接

MDFP-Net网络结构

不同方法仿真图像重建结果

实验场景

不同方法8.7m真实场景重建结果