傅里叶叠层计算成像
傅里叶叠层显微成像是一种能够同时实现大视场和高分辨率图像的计算成像技术。传统的傅里叶叠层算法通过迭代算法综合不同频域低分辨率图像的信息获得高分辨大视场的物体图像，算法的复原效果与低分辨图像的数据量相关，复原图像质量与采集时间和计算成本需要进行平衡。为了能够减少数据采集量，加强复原算法的鲁棒性，提高图像的复原质量实现超分辨，本研究提基于先验神经网络的先验特性构建新的傅里叶叠层显微成像方法。
傅里叶叠层显微成像是一种能够同时实现大视场和高分辨率图像的计算成像技术。传统的傅里叶叠层算法通过迭代算法综合不同频域低分辨率图像的信息获得高分辨大视场的物体图像，算法的复原效果与低分辨图像的数据量相关，复原图像质量与采集时间和计算成本需要进行平衡。为了能够减少数据采集量，加强复原算法的鲁棒性，提高图像的复原质量实现超分辨，本研究提基于先验神经网络的先验特性构建新的傅里叶叠层显微成像方法。
纳米光子器件的逆设计问题一直是纳米光子学重要的研究内容之一。典型的逆设计问题通过电磁仿真和逆设计方法实现预期的性能。然而，随着时代的发展，纳米器件的结构越来越复杂。面对更复杂的结构和更高维的优化空间，一个快速的前向仿真和逆设计方法将有效的加速器件设计过程。本文研究通过多层感知器模型代替大计算量的电磁仿真计算，进行光学器件的逆设计。
基于U-net结构的深度学习网络进行不同字体间的风格映射自动变换。