近期，上海交通大学量子感知与信息处理（QSIP）研究中心主任曾贵华教授、北卡罗纳来州立大学计算机系范建平教授等人研究了基于深度学习的暗场抗散射的图像恢复算法，相关工作发表在权威光学期刊《Optics and Lasers in Engineering》上。

光照条件受限是实际光学成像场景中不可避免的问题，常出现在遥感、军事天文观测、生物医学成像中等领域。当光强降低到单光子级别的时候，散粒噪声便占据主导地位，降低图像对比度，从而严重影响成像质量。除了弱光，在实际应用中另一个不可避免的难题便是散射介质。由于介质内部固有的折射率分布不均匀，光在散射介质中传播时，介质中波长量级大小的粒子会对入射波产生散射作用，随机改变原有的传播方向，使原本有序的波前相位发生严重的畸变，出射光场不再有序，最终在观测面上只能记录到空间分布随机紊乱的散斑图案，难以对目标物体进行直接有效的观测。考虑到时变动态散射介质中粒子碰撞问题，入射光场和出射光场的映射关系也会随着时间变化，给目标图像的获取带来更大的挑战。如何透过复杂散射介质获取清晰的目标图像一直是光学成像领域的关注点。

为了解决弱光照明下散射成像问题，我们提出了一种基于深度学习的暗场抗散射图像恢复算法。在这种数据驱动的算法帮助下，我们成功简化了散射成像的实验设置，非显式地表征出透过散射介质前后光场的映射关系，并实验验证了在仅利用平均每像素0.4个探测光子的情况下从无序随机散斑中实现图像的实时恢复。该算法对介质微扰有极高的鲁棒性，训练好的模型对具有不同动态特性的同类别介质下获取的散斑都可以进行有效的恢复。相较于传输矩阵法等利用固定介质的确定性“输入-输出”映射进行散射成像的技术相比，我们的方法极大的降低了对数据测量过程的要求，提高了普适性和实用性。考虑到借助深度学习会面临数据集采集困难的问题，进一步建立了弱光光子图像仿真模型，简化了数据集的获取，实现了仿真训练并对实验采集到的数据进行了有效的恢复，进一步提升了模型实用性。我们所提出的方法在军事、天文成像等光照受限的散射场景中都具有极大的应用前景。

论文的第一作者为上海交通大学QSIP研究中心博士研究生孙艺玮，通讯作者是曾贵华教授。该工作得到了国家自然科学基金的资助。

论文连接：https://www.sciencedirect.com/science/article/pii/S0143816621001111