采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势，提出了一个由三个子神经网络组成的混合框架，在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果，并将其作为物理网络的初始值，保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络，进一步增强图像质量。验证了该混合框架的可行性和有效性，通过理论分析和实际实验在分辨目标和生物样本上。

Jan, 2024

使用物理学基础的神经网络通过优化 LED 发光模式设计来实现超分辨成像，进而压缩原先需要的多次测量，减少时间和成本。

Apr, 2019

相位恢复是从光强度测量中计算光波相位的基础，近年来，深度学习已被证明在解决相位恢复问题方面非常有效，本文综合比较了数据驱动和物理驱动的两种深度学习相位恢复策略，并提出了结合数据集和物理的混合策略以平衡高频和低频信息。

Apr, 2024

使用非监督物理知识神经网络重建方法，结合衍射正演映射与重叠测量的约束，提高了重构速度和质量，为高通量环境下的高分辨率实时成像带来了令人兴奋的前景。

Jun, 2023

我们提出一种名为 “深度相位编码图像先验” 的新方法，通过仅使用捕获的图像和成像系统的光学信息，从编码相位图像中共同恢复深度地图和全焦图像。

Apr, 2024

本文讨论了从仅具有密度测量信息的实验数据中，利用凸规划技术计算物体相位的问题，通过对一定数量的随机扰动信号进行传播和测量，所得到的衍射图案的凸规划技术 PhaseLift 可以准确还原相位信息。

Oct, 2013

设计了一种基于强度传感器阵列的复杂场成像器，并通过使用迭代相位恢复算法提供幅值和定量相位信息，可用于安全、生物医学成像、传感和材料科学等多个领域。

Jan, 2024

提出了一种针对高度物理约束的计算光学成像系统的知识蒸馏框架，通过引入高性能的无约束计算光学成像系统作为 “教师”，指导具有有限快照数的物理约束系统（“学生”）的优化，并使用二进制编码光阑单像素相机进行验证，在单色和多光谱图像重建上证明了该方法优于传统的端到端优化方式。

Jun, 2024

该论文提出了一种名为 “Neural Illumination” 的新方法，将光照预测分解成几个简单的不同 iable 子任务：几何估计、场景完成和 LDR-to-HDR 估计，并表明与以前的方法相比，该方法在定量和定性方面都得到了显着的改进。

Jun, 2019

通过多芯光纤实现的定量相位成像（QPI）是一种新兴的无创内窥镜成像模式。我们展示了一种基于学习的 MCF 相位成像方法，将相位重构时间显著缩短至 5.5 毫秒，实现了 181 帧每秒的视频级成像。此外，我们引入了一种创新的光学系统，自动生成了首个针对 MCF 相位成像的开源数据集，包含 50,176 对散斑和相位图像。经过训练的深度神经网络（DNN）在实验中表现出鲁棒的相位重构性能，平均保真度高达 99.8％。这种高效的光纤相位成像方法可以拓宽 QPI 在难以到达区域的应用。

Dec, 2023