复杂域神经网络促进了大规模相干成像的发展

通过提供宽视场和高分辨率功能，计算成像有可能彻底改变光学成像。振幅和相位的联合重建被称为“相干成像或全息成像”——将光学系统的吞吐量扩展到数十亿个光学可分辨点。这一突破使研究人员能够深入了解生物医学研究的细胞和分子结构。 尽管有潜力，现有的大规模相干成像技术面临着广泛临床应用的挑战。许多这些技术需要多次扫描或调制过程，导致较长的数据收集时间，以实现高分辨率和信噪比。由于速度、分辨率和质量之间的权衡，这减慢了成像速度，限制了其在临床环境中的可行性。

最近的图像去噪方法提供了一种潜在的解决方案，即在迭代重建过程中使用去噪算法来提高稀疏数据的成像质量。然而，传统的方法计算复杂，而基于深度学习的技术泛化能力差，并且牺牲了图像细节。

在《Advanced Photonics Nexus》上发表的一项研究中，来自北京理工大学、加州理工学院和康涅狄格大学的一组研究人员展示了一种复杂域神经网络，可以显著增强大规模相干成像。这为各种方式的低采样和高质量相干成像开辟了新的可能性。

复杂域神经网络支持大规模相干成像 该技术利用振幅和相位分量之间的潜在耦合信息，实现复杂波前的多维表示。该框架在各种相干成像模式中具有很强的通用性和鲁棒性。 研究人员利用二维复卷积单元和复激活函数构建了一个网络。他们还开发了一个综合的相干成像多源噪声模型，包括散斑噪声、泊松噪声、高斯噪声和超分辨率重建噪声。多源噪声模型有利于提高合成数据对实际数据的域适应能力。

所报道的技术被应用于几种相干成像模式，包括Kramers-Kronig关系全息术、傅立叶全息显微镜和无透镜编码全息术。大量的模拟和实验表明，该技术保持了高质量的重建和效率，同时显着减少了曝光时间和数据量-通过一个数量级。

高质量的重建为后续的高级语义分析提供了重要的意义，如高精度的细胞分割和虚拟染色，潜在地促进智能医疗的发展。 快速、高分辨率成像的潜力，减少曝光时间和数据量，为实时细胞观察带来了希望。此外，通过结合人工智能诊断，该技术可能会解开复杂生物系统的秘密，并推动医学诊断的界限。