OEA | 多先验智能显微助力高通量，像素超分辨定量相位成像 【西光所姚保利和柏晨团队】
Opto-Electronic Advances
论文推荐
中国科学院西安光学精密机械研究所姚保利和柏晨团队提出了一种基于非训练神经网络的DIHM像素超分辨成像方法。该方法基于传统同轴数字全息系统，无需任何额外的硬件设计和数据训练，仅需采集一幅全息强度图像，就能实现噪声和孪生像双重抑制以及像素超分辨相位重建。
文章| Tian X, Li RZ, Peng T et al. Multi-prior physics-enhanced neural neTWork enables pixel super-resolution and twin-image-free phase retrieval from single-shot hologram. Opto-Electron Adv 7, 240060 (2024).
第一作者：田璇，李润泽
通信作者：柏晨，姚保利
点击文章标题查看全文
研究背景
光场的相位信息能揭示目标样品的厚度、折射率以及几何构造等多项特性。但由于光学传感器大多为强度型器件，相位信息无法被光学传感器直接检测。数字全息显微（DHM）作为一种干涉测量技术，是无损定量相位成像的常用方法之一，主要包括同轴全息和离轴全息。离轴DHM能够从单幅数字全息图中重建波前，但由于各级次在频谱上需要分离，光学信号带宽远小于相机带宽，因而造成相机带宽的浪费与分辨率的损失。相比之下，同轴数字全息显微镜（DIHM）凭借其相对较高的空间带宽积，在一些微观场景中通常是首选。然而DIHM在实际应用中，有两个因素阻碍了高质量成像：1）全息重建过程中孪生像的干扰；2）在低曝光时间及高信噪比条件下大像素尺寸探测器导致的亚像素信息丢失。上述问题在一定程度上可以通过改进系统结构或者通过算法补偿等方法解决，但往往面临系统复杂度提升与强噪声条件下鲁棒性不足等问题。相比之下，深度学习技术凭借其噪声抑制和强大的逆问题求解能力，成为DIHM成像和像素超分辨（PSR）的有力工具。然而，当前大多数基于深度学习的方法依赖于监督学习和训练实例，即需要大量的训练数据来优化其权值和偏差。而采集大量的全息图及其相应的高分辨率原始相位图在实验上非常耗时，并且对与训练数据不同类型的样本泛化性有限。
本文亮点
针对上述问题，中国科学院西安光学精密机械研究所姚保利和柏晨团队提出了一种基于非训练神经网络的DIHM像素超分辨成像方法。该神经网络是一种多先验物理增强神经网络（MPPN-PSR），将物理模型先验、稀疏性先验和深度图像先验封装于一个未经训练的深度神经网络中。其中，物理模型先验同时表示DIHM成像过程和探测器下采样过程，而稀疏先验则提高了成像分辨率。因此，该方法基于传统同轴数字全息系统，无需任何额外的硬件设计和数据训练，仅需采集一幅全息强度图像，就能实现噪声和孪生像双重抑制以及像素超分辨相位重建。
图1 传统迭代（Iteration-PSR）、物理增强神经网络（PN-PSR）与所提出MPPN-PSR方法对比
图2 MPPN-PSR与其他成像方法结果对比
该工作以“Multi-prior physics-enhanced neural network enables pixel super-resolution and twin-image-free phase retrieval from single-shot hologram”为题发表在Opto-Electronic Advances （OEA，光电进展）2024年第9期。
研究团队简介
姚保利研究员带领的团队近年来对智能光学显微成像技术进行了深入的研究，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、性能指标等方面都获得了显著提升。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等；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Photon. Res.、Opt. Lett.、Opt. Express等期刊。除此之外，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.、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，陕西省重点科技创新团队等奖励和荣誉。
姚保利研究员团队
（从左至右）李润泽、田璇、柏晨和彭彤在实验室工作
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间联系我们，我们将协调进行处理，最终解释权归旭为光电所有。
