【
仪表网 仪表研发】近期，中国科学院上海光学精密机械研究所信息光学与光电技术实验室与德国斯图加特大学应用光学研究所、美国麻省理工学院合作，提出并实验验证了一种基于物理模型和深度神经网络的新型计算成像方法，无需大量带标签的数据来完成神经网络训练，将能有力促进人工智能技术在计算成像中的广泛应用。
近年来，基于深度学习的方法被广泛应用于计算成像中，在相位恢复、数字全息、单像素成像、散射成像等众多领域取得了一系列令人瞩目的成果。然而，传统基于深度学习的计算成像方法大都采用监督学习的策略，因此需要预先获取大量带标签的数据来训练神经网络，且所获取数据的数量和质量对所得模型的性能具有很大影响，而在实际应用中这一条件往往是难以满足的。尽管此前研究表明，当成像系统的正向物理模型已知时可以通过仿真生成训练数据，但是神经网络的泛化性总是有限的，所得模型只能对类似训练集的场景得到较好的结果。
成像系统按系统的结构、扫描方式和探测器件的不同，大致分为：
①光学机械扫描。如多光谱扫描仪。多采用反射镜对物面进行扫描，经分光、检波和光电转换后输出影像数据。
②电子扫描。如返束光导管电视摄像机，属像面扫描方式。其过程是光学成像于光导管靶面，经电子束扫描后将信号放大输出。
③固体自扫描。如法国SPOT卫星的光电扫描
传感器，亦属像面扫描方式。景物经物镜成像在由许多电荷耦合器件(CCD)组成的探测器面阵上，经光电转换后输出。
④天线扫描。如侧视雷达，属物面扫描方式的一种主动式遥感成像系统。它通过天线发射微波波束并接收景物反射的回波经解调后输出。
针对基于深度学习的计算成像方法中训练数据难以获取和模型泛化性有限的问题，研究人员提出将物理模型与神经网络相结合的方法，利用物理模型替代训练数据来驱动网络参数的优化。相比传统数据驱动的端到端深度学习方法，PhysenNet无需获取训练数据且是一种具有普适性的方法。相比模型驱动的优化算法，PhysenNet无需使用显式正则项就能用于病态逆问题(从探测到的物理测量中恢复原始物体信息，在探测阶段存在诸如相位等信息丢失)的求解。
同摄影系统相比，扫描成像系统的优点是：
①工作波段约在0.38～14.0微米，范围大，并可灵活确定波段划分数量及 [1] 波段带宽。
②采用仪器内部分光，有利于不同波段影像的精确配准。
③经辐射校准后的影像密度便于机助处理和分类。
研究人员以计算成像中的经典例子――相位成像来验证该方法的有效性，通过不断迭代使神经网络输出结果经衍射传播和测量过程(物理模型)后计算得到的衍射强度图逐渐逼近实际测量的衍射强度图，随着迭代的进行，神经网络输出结果也逐渐逼近实际待求相位物体。实验结果表明，在仅使用单张衍射强度图时，PhysenNet的恢复效果优于需在多个离焦面之间来回迭代的Gerchberg-Saxton(GS)算法的恢复效果，且接近数字全息方法的恢复效果。该方法可应用于众多正向物理模型已知的计算成像方法中。
