光学成像和传感系统基于衍射元件取得了巨大的进展，最近使用深度学习和数字神经网络的研究努力使衍射处理器与数字神经网络合作优化，建立了输入电磁波与后端处理数字化信息之间的新的 “衍射语言”，从而为各种应用提供了巨大的潜力。

Jun, 2024

使用光学全衍射深度神经网络 (D2NN) 进行手写数字分类和成像透镜功能的学习，可以在光速下执行复杂函数，该技术具有潜在的光学图像分析和对象分类应用，并能够实现独特的任务。

Apr, 2018

本文介绍了使用卷积神经网络和 Poisson 分布进行图像去噪的方法，通过特定峰值的图片训练网络可以显著提高图像去噪效果，并且此方法灵活、数据驱动，速度更快。同时，结合图像先验信息，处理同类别图片可以进一步提高性能表现。

Jan, 2017

利用深度学习设计了一种衍射波前处理器，可逼近对具有相位畸变的输入场进行全光学相位共轭操作，该处理器通过 3D 打印衍射层来进行光学相位共轭，并在未被训练的相位畸变上成功实现共轭，具有紧凑、被动和可扩展的特性，适用于不同电磁波段的相位工程解决方案和 OPC 相关应用，如浑浊抑制和畸变校正。

Nov, 2023

数字图像设备广泛应用于许多领域，但当观察不能使用足够剂量时会出现图像噪声问题。机器学习去噪技术被期望解决此问题，然而存在以下问题。本文以电子显微镜的原位观察视频为例，报告了机器学习去噪在超低剂量观察中产生的伪影问题，并提出了一种将时间序列图像分解为空间轴和时间的二维图像的方法进行机器学习去噪，从而实现了在科学、工业和生活中从低剂量成像中准确稳定地重建连续高分辨率图像的新途径。

Mar, 2024

本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较，旨在调查现有去噪技术的适用性，并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估，我们实验的结果显示，除了 DNN 模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外，传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现，我们也讨论了现有技术的缺点和可能的扩展。

Apr, 2023

我们提出了一种光信号处理方案，在检测之前通过适当设计的线性变换器对光信号进行空间重新分布，以增强视觉感知任务的检测噪声鲁棒性，并通过 MNIST 分类的基准测试进行了验证。这种计算优先的检测方案可以推动广泛应用于工业和国防领域的红外机器视觉技术的发展。

Mar, 2024

该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

Apr, 2024

本文介绍了一种基于深度学习和规则化技术的光学条纹图象去噪方法，可以有效去除条纹图象中的噪声，提高提取相位场的准确性和鲁棒性。实验结果表明，该方法在去除噪声的同时，能够保留条纹图象的主要特征，速度较快，具有一定的竞争力。

Jan, 2019

本文对深度学习在图像去噪中的应用进行了比较研究，区分了不同类型的卷积神经网络的使用场景，比较了不同方法在公共图像去噪数据集上的表现，并指出了未来研究的挑战和方向。

Dec, 2019