一句话总结

本教程演示了光学记忆效应和多重光散射产生的相关性如何实现透过强散射介质的非侵入式成像，并重点介绍了从天文学到医学等各类应用的实际实验方案。

核心贡献

• 本文展示了如何利用多重光散射产生的统计相关性来实现透过浑浊介质的非侵入式成像，直接应对信号混乱这一根本挑战。通过将研究重点从弹道信号衰减转向波场相关性分析，该方法有效规避了限制传统光学技术的透光率极限。
• 本文引入了一个简化的理论框架，该框架推导了光强度的体扩散方程，在微观波散射事件与宏观扩散模型之间建立了直观的桥梁。这种教学式的阐述利用标准统计力学原理，清晰说明了光强度如何随不同层厚度进行扩散与衰减。
• 该工作建立了构建基于相关性成像系统的实用实验指南，详细说明了光源相干度与散斑图样特征如何决定实验室实施的成功率。这些建议将抽象的扩散理论转化为实际散射实验中可操作的光学装置配置方案。

引言

透过浑浊或不透明介质成像在天文学、医学和显微成像领域仍是一项关键挑战，因为多重散射会扰乱光线并破坏空间信息。尽管侵入式清除方法或物理障碍物移除往往不切实际，但现有非侵入式技术由于光线快速扩散，难以在厚度超过数毫米的层中保持分辨率。本文作者利用光学记忆效应和散斑强度相关性来突破这些限制，提供了一份内容完整的教程，详细阐述了重建隐藏图像的理论基础与实用实验装置。

数据集

• 数据集构成与来源： 作者整理了通过极简光学装置捕获的光散射图案的实验测量数据。数据来源于受控实验设备，该设备包含相干或荧光光源、测试物体、薄磨砂玻璃扩散板，以及置于远场以记录散斑图样的高动态范围相机。

• 各子集的关键细节： 演示数据集包含简单测试物体（呈三角形排列的三个圆点）的原始散斑图像。作者通过旋转扩散板或连续录制帧来收集多个独立测量值，以捕获不同的散射状态。图像经过过滤处理，以确保整个物体均位于光学记忆效应范围内，这是成功进行自相关重建的必要条件。

• 本文对数据的使用方式： 作者使用该数据集验证迭代相位恢复流程，而非用于机器学习训练。数据集未划分为传统的训练集、验证集或测试集；相反，所有处理后的自相关数据被直接输入重建算法，以恢复原始物体的形状。

• 处理与策略细节： 未进行裁剪或元数据构建。作者实施了多步信号清洗流程：通过平均多帧图像来估计并减去非均匀背景，计算背景校正后信号的自相关，并对结果取平均以抑制低强度伪影。降噪措施包括用相邻像素值替换中心的狄拉克δ脉冲，并将负值截断为零或添加常数偏移。在相位恢复开始前，该流程还需通过试值法仔细估计未知的比例背景。

方法

作者利用光的波动性来解决透过强散射介质成像的挑战，传统光学方法在此类场景中因空间相干性丧失而失效。核心见解在于，穿过此类介质的光会经历多次散射事件，形成一种称为散斑的复杂干涉图样。该散斑图样看似随机，实则包含关于散射介质和入射照明的结构化信息。透射光的空间强度分布遵循指数分布，其波动表现为被暗区包围的亮斑。这些波动源于不同散射路径上的随机相位累积，其统计特性受中心极限定理支配，导致相位呈均匀分布，而强度呈指数分布。


如下图所示，散斑图样并非完全无相关；相反，它表现出一种称为光学记忆效应的现象。该效应描述了由波矢量略有不同的入射平面波所产生的散斑图样之间的相关性。该相关性取决于入射光束之间的角度差（量化为 $|\Delta k_a|$∣Δka​∣）以及散射介质的厚度 $L$L。在 $|\Delta k_a| L \ll 1$∣Δka​∣L≪1 的小角度偏差下，散斑图样保持高度相关，意味着它们在结构上相似，且随入射角变化发生相同程度的旋转。然而，当 $|\Delta k_a| L \gg 1$∣Δka​∣L≫1 时，相关性迅速减弱，生成的散斑图样变得去相关。该相关性显著的角度范围约为 $\lambda / L$λ/L，属于短程但强相关特性。这一特性使得即使物体隐藏在散射层后方，也能从散射光中恢复结构信息。

核心方法依赖于测量物体的自相关，该值可直接从散斑图样的强度分布中获取。由于自相关是一种有损操作，若无额外约束则无法唯一逆推。作者假设物体 $O$O 为实数且为正值，从而能够应用相位恢复技术从自相关中重建原始物体。Gerchberg-Saxton 算法被用作基础迭代方法以恢复缺失的相位信息。该算法从物体的初始猜测值开始，计算其傅里叶变换，并用从测量自相关中推导出的模值替换振幅。随后进行逆傅里叶变换，得到通常违反物体约束条件的重建图像。为强制满足约束条件，违反实数和正值条件的像素被置零，从而在每次迭代中优化猜测值。然而，该方法收敛缓慢且容易停滞。

为改善收敛性，采用混合输入输出算法。该算法通过允许对不符合条件的像素进行可控松弛而非直接置零，修改了更新规则。具体而言，在每次迭代中，算法根据当前像素是否满足约束条件来更新猜测值 $g_{k+1}(x)$gk+1​(x)：若满足则保留新值；若不满足，则通过减去按参数 $\beta$β 缩放的不正确值的一部分进行调整。该参数可调节以平衡收敛速度与稳定性。经验研究表明，在混合输入输出迭代中循环使用递减的 $\beta$β 值可实现稳健且高效的收敛。尽管该方法因重复傅里叶变换而计算密集，但现代 GPU 加速显著降低了计算负担，使其具备实际应用可行性。

需要注意的是，重建图像无法恢复绝对位置信息，因为自相关仅编码相对位置。此外，重建图像可能在原始物体与其中心对称副本之间产生歧义。尽管存在这些限制，该方法仍为透过散射介质进行非侵入式成像提供了强大工具，尤其适用于物体位于光学记忆效应角度范围内的场景。

实验

实验通过多次使用随机初始猜测值进行试验，评估了 Gerchberg-Saxton 算法与混合输入输出算法在相位恢复中的表现，以验证其收敛稳定性和图样恢复精度。Gerchberg-Saxton 方法在初期表现出快速进展，但经常在局部极小值处停滞，且无法解决镜像对称或绝对位置问题，这证实了采用多次短时运行优于单次长时运行的必要性。相反，混合输入输出算法通过线性调度控制参数，在显著更少的迭代次数中成功恢复了目标图样，展现出在实际相位恢复应用中更优的效率与鲁棒性。