中科院提出新型深度学习网络MDFP-Net，大幅提升远距离傅里叶叠层成像质量与速度

中国科学院西安光学精密机械研究所近期在计算成像领域的研究取得了重要进展。他们针对傅里叶叠层成像技术，在远距离和复杂环境中的高分辨率图像重建问题上提出了新型解决方案——一种融合可学习正则化项的优化模型。该模型基于深度学习与传统的计算成像方法相结合，采用近端梯度优化算法，构建了一个能够深入解析的深度学习框架。在此基础上，科研团队进一步开发出了第一个复数域与实数域交替迭代优化，嵌入振幅流重建算法的新型网络结构——MDFP-Net（Model-Driven Fourier Ptychography Network）。这一创新不仅提升了图像重建的效率，还保持了各模块的物理意义明确性，增强了模型的可解释性和透明度。 为了验证MDFP-Net的有效性，研究团队搭建了一套远距离反射式傅里叶叠层成像系统，成功在距离8.7米外实现了样本数据的高质高速采集与重建。实验结果表明，MDFP-Net能够显著改善复杂环境下的成像质量，同时加快重建速度。这项研究不仅加深了对傅里叶叠层成像技术的理解，也为计算光学成像领域提供了新的研究方向和技术工具。 业内专家对此表示高度认可，认为MDFP-Net的推出标志着计算成像技术与深度学习方法深度融合的一个重要里程碑，将加速这一前沿技术在实际应用中的落地进程。中国科学院西安光学精密机械研究所长期致力于光学成像及相关领域的研究，拥有深厚的技术积累和广泛的行业影响力，此次成果进一步巩固了其在相关领域的领先地位。 这项工作受到了中国科学院西部青年学者项目和超快光科学与技术全国重点实验室开放基金的支持，相关论文已发表在《计算视觉媒体》（Computational Visual Media）期刊上，题为“MDFP-Net: 一个用于傅里叶叠层成像的模型驱动的深度神经网络”。通过这一研究，科研团队不仅展示了深度学习在提高计算成像质量方面的巨大潜力，还证明了在保障模型可解释性的前提下，可以有效利用深度学习技术解决复杂的图像重建问题。