近期，中国科学院上海光学精密机械研究所空天激光技术与系统部研究团队提出了一种引入深度时空先验(STeP)的轻量级神经网络架构，无需训练集即可应用于动态物体的定量相位成像。相关研究成果以“Dynamic quantitative phase imaging using deep spatial-temporal prior”为题发表于Optics Express。
测量透明样本的相位分布这一经典光学难题从显微到遥感领域都具有重要意义。基于深度学习的非干涉定量相位成像作为一种无标记、稳定的测量相位样本方法，通过结合物理先验进一步提高了其精度和可解释性，同时无需训练数据集。然而，该方法受限于冗长的训练时间，难以应用于需要处理多帧数据的成像任务。
为解决上述问题，该研究团队提出了一种将深度时空先验(STeP)与轻量级神经网络结合的训练架构，能将原方法拓展至低信噪比(≈10.6dB)下的动态定量相位成像。如图1所示，相较传统的物理增强网络仅利用空间先验，STeP通过结合之前帧已学习到的空间先验来建立帧与帧之间的时空联系，用以重建当前帧。该方法在实验上取得了相较传统方法更好的结果，对于动态相位物体，基于STeP的方法能够在低信噪比的条件下定量恢复其相位，如图2所示。该研究将基于时空先验的物理模型引入轻量级神经网络架构，为实时、非干涉的动态定量相位成像提供了新的研究思路，有望应用于大气湍流成像、光学元件缺陷检测及微生物活体成像等领域。
相关工作得到了国家自然科学基金和上海市扬帆计划的支持。
图1 (a) 非干涉动态定量相位成像示意图。(b) 仅利用空间先验的模型驱动深度学习。(c) 引入时空先验的模型驱动学习。(d) 分别使用 STeP 和空间先验从视频序列重建相位的仿真SSIM和PSNR曲线。
图2 实验结果定量分析。左侧两列为第 1、50、100 帧的原始图像与重建结果。右侧两列是左侧对应颜色位置的水平和垂直方向相位分布。
