智能光學(xué)計(jì)算成像是一個(gè)將人工智能（AI）與光學(xué)成像技術(shù)相結(jié)合的前沿領(lǐng)域，它通過深度學(xué)習(xí)、光學(xué)神經(jīng)網(wǎng)絡(luò)、超表面光學(xué)（metaphotonics）、全息技術(shù)和量子光學(xué)等技術(shù)，推動(dòng)光學(xué)成像技術(shù)的發(fā)展。以下是智能光學(xué)計(jì)算成像的一些關(guān)鍵進(jìn)展和應(yīng)用：

1.光纖成像：深度學(xué)習(xí)在光纖成像中的應(yīng)用進(jìn)展顯著，包括通過條件生成對(duì)抗網(wǎng)絡(luò)實(shí)現(xiàn)高速多模光纖成像系統(tǒng)

2.光譜成像：當(dāng)前的光譜成像技術(shù)包括多通道濾光片、基于深度學(xué)習(xí)和波長響應(yīng)曲線求逆問題的優(yōu)化實(shí)現(xiàn)，以及衍射光柵、多路復(fù)用、超表面等技術(shù)，用于獲取高光譜信息

3.全息成像：利用深度神經(jīng)網(wǎng)絡(luò)來優(yōu)化全息圖的重建過程，提高成像質(zhì)量，并實(shí)現(xiàn)復(fù)雜光學(xué)場景的快速三維重建

4.超分辨率成像：通過深度學(xué)習(xí)技術(shù)提高光學(xué)成像系統(tǒng)的空間分辨率，改善圖像質(zhì)量

5.計(jì)算成像優(yōu)化：利用深度學(xué)習(xí)模型對(duì)光學(xué)成像過程進(jìn)行優(yōu)化和控制，實(shí)現(xiàn)更高效的成像方法

6.簡單光學(xué)成像技術(shù)：基于計(jì)算成像，發(fā)展簡單和緊湊的光學(xué)成像技術(shù)，也稱為簡單光學(xué)。這種技術(shù)利用光學(xué)系統(tǒng)和圖像處理算法的聯(lián)合設(shè)計(jì)，實(shí)現(xiàn)與復(fù)雜光學(xué)系統(tǒng)相媲美的高質(zhì)量成像

7.端到端光學(xué)算法聯(lián)合設(shè)計(jì)：計(jì)算光學(xué)成像包括了可微的衍射光學(xué)模型、折射光學(xué)模型以及基于可微光線追蹤的復(fù)雜透鏡模型，這些模型使得光學(xué)系統(tǒng)設(shè)計(jì)與圖像處理算法可以聯(lián)合優(yōu)化

目錄

主要內(nèi)容

光學(xué)計(jì)算成像導(dǎo)論

1.計(jì)算成像的概念與現(xiàn)狀

2.生活與科研中的典型應(yīng)用場景

3.光學(xué)計(jì)算成像與計(jì)算攝影

4.深度學(xué)習(xí)增強(qiáng)的計(jì)算成像

像基本概念及計(jì)算成像理論基礎(chǔ)

1.顏色和光譜，圖像在程序中的表示

2.圖像傳感器，成像物理模型與噪聲

3.其他成像元件與光波波前分析方法

4.常見圖像描述方法與圖像處理流程

5.圖像重構(gòu)理論基礎(chǔ)

6.一般計(jì)算成像逆問題與求解方式

實(shí)例：Poisson blending of image

機(jī)器學(xué)習(xí)及Python軟件基礎(chǔ)

1.機(jī)器學(xué)習(xí)基礎(chǔ)概念

2.監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)

3.常用算法簡介（如線性回歸、多層感知機(jī)等）

3.1Python 編程基礎(chǔ)

3.2Python 環(huán)境搭建與工具介紹

3.3基本語法與數(shù)據(jù)結(jié)構(gòu)

3.4矩陣運(yùn)算庫NumPy與GPU運(yùn)算庫Cupy

3.5數(shù)據(jù)可視化工具（Matplotlib 等）

3.6深度學(xué)習(xí)框架PyTorch 與TensorFlow

實(shí)踐：用Numpy/cupy與matplotlib繪制分形圖像

圖像常用深度神經(jīng)網(wǎng)絡(luò)與PyTorch/TensorFlow實(shí)現(xiàn)

1.深度學(xué)習(xí)簡介與神經(jīng)網(wǎng)絡(luò)基礎(chǔ)概念

2.深度學(xué)習(xí)的基本原理與訓(xùn)練過程

3.常用基本深度網(wǎng)絡(luò)模型簡介

3.1全連接網(wǎng)絡(luò)(FC）

3.2卷積神經(jīng)網(wǎng)絡(luò)（CNN）

3.3帶歷史記憶的網(wǎng)絡(luò)（如RNN）

4.基于PyTorch與TensorFlow的幾種神經(jīng)網(wǎng)絡(luò)構(gòu)建

?全連接網(wǎng)絡(luò)

?卷積神經(jīng)網(wǎng)絡(luò)

?U-Net

?Res-Net

實(shí)踐：基本的全連接網(wǎng)絡(luò)模型與卷積神經(jīng)網(wǎng)絡(luò)的搭建與訓(xùn)練

圖像的神經(jīng)網(wǎng)絡(luò)表示與ADMM圖像重構(gòu)

1.神經(jīng)表示（Neural Representations）與位置嵌入（Positional Encoding）

2.神經(jīng)渲染（Neural Rendering）

3.學(xué)習(xí)式重構(gòu)（Learned Reconstruction）與應(yīng)用介紹

4.用ADMM算法來求解正則化逆問題

實(shí)踐：用ADMM 算法來重構(gòu)圖像

常見的計(jì)算成像應(yīng)用

1.圖像去噪與解模糊

2.空域編碼-解碼成像（壓縮感知、單像素成像）簡介

3.時(shí)域編碼-解碼成像（飛行時(shí)間、非視域成像）簡介

4.無透鏡成像

4.1無透鏡成像的概念與基礎(chǔ)

點(diǎn)擴(kuò)散函數(shù)（PSF） 調(diào)控與無透鏡成像: 散射成像實(shí)例

壓縮感知和壓縮編碼成像

1.壓縮感知與壓縮成像理論

1.1基于多模光纖lantern的壓縮計(jì)算成像講解

?實(shí)踐：1D信號(hào)和2D圖像的壓縮感知重構(gòu)

2.結(jié)構(gòu)光照明和單像素成像理論

3.基于神經(jīng)網(wǎng)絡(luò)的單像素成像

3.1基于神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)場超分辨率鬼成像講解

實(shí)踐：基于多模光纖超快脈沖的單像素探測超快成像

高光譜成像

1.高光譜成像簡介與理論知識(shí)

2.神經(jīng)網(wǎng)絡(luò)光譜成像

案例：具有高空間分辨率的寬帶高光譜圖像傳感器（實(shí)踐網(wǎng)絡(luò)重構(gòu)部分）

微納光學(xué)計(jì)算成像

.超構(gòu)表面與微納光學(xué)增強(qiáng)的計(jì)算成像簡介

2.超構(gòu)表面與相位獲取成像

實(shí)例講解：納米光學(xué)高質(zhì)量超構(gòu)透鏡成像（實(shí)踐圖像重構(gòu)部分）

端到端光學(xué)算法聯(lián)合設(shè)計(jì)

1.一般圖像系統(tǒng)設(shè)計(jì)

2.端到端光學(xué)和圖像處理系統(tǒng)設(shè)計(jì)

?案例講解：端到端的基于深度學(xué)習(xí)的散射介質(zhì)散斑計(jì)算成像

綜合實(shí)例講解：用一個(gè)純相位鏡頭的灰度圖像到高光譜圖像（超光譜/解模糊/深度學(xué)習(xí)/點(diǎn)擴(kuò)散函數(shù)設(shè)計(jì)/壓縮成像）

https://mp.weixin.qq.com/s/NDw-24d7CUVVysk5e2lL9g 詳情點(diǎn)擊查看或關(guān)注科研實(shí)踐課堂

審核編輯 黃宇