近日，中國科學院上海光學精密機械研究所量子光學重點實驗室副研究員劉紅林與香港理工大學教授賴溥祥課題組、上海理工大學教授張大偉合作，在基于深度學習的散射成像機理與應用邊界的研究方面取得重要進展。相關成果以The physical origin and boundary of scalable imaging through scattering media: a deep learning-based exploration為題發表于《光子學研究》（Photonics Research）。
卷積神經網絡（CNN）是一種用于對目標進行重建、分類等處理的深度學習方法。自2016年深度學習被首次應用于散射成像，該研究一直是光學成像領域的熱門方向。幾年來，神經網絡結構被不斷優化升級，但始終無法透過厚散射介質產生理想的目標重建效果，同時其主流研究方向一直被通過研發新型網絡提高重建效果所束縛，從而忽略了其中的物理本質。
研究人員使用從同一塊毛玻璃不同區域采集的實驗數據、經彈道光比例可調位板（調節范圍0%-100%）生成的模擬數據分別進行CNN訓練和測試。經對比發現，彈道光是提高網絡泛化性的先決條件，而散射光則是開啟某一散射條件下網絡模型使用權限的特定“密鑰”，網絡只能識別訓練時見過的密鑰。如果沒有彈道光存在，即便使用多種散射條件下的數據進行訓練，網絡也始終不會具有泛化性。
彈道光與散射光在散射成像中不同作用的發現解釋了深度學習散射成像無法突破厚度限制的物理原因，對今后深度學習散射成像的應用研究具有指導意義。增加具有空間不變性的信息可以提高神經網絡的泛化性，還可確定各類散射條件下深度學習預測成像的邊界。
相關研究工作得到國家自然科學基金、廣東省科學技術委員會、香港研究撥款委員會以及香港創新科技委員會的支持。
論文鏈接：
https://doi.org/10.1364/PRJ.490125
