基于物理启发合成数据的超记忆效应散斑成像
Date:
散斑影像是透过散射介质对目标进行重建的关键技术。传统基于光学记忆效应（OME）的方法无需预先表征介质，但受限于极窄的视场角。尽管深度学习展示了强大的重建能力，但其对大规模实验数据的依赖限制了实际应用。本研究提出一种基于物理启发合成数据（Physically Inspired Synthetic Data）训练的框架，通过多尺度空间条纹注意力网络，实现了超越 OME 范围的高精度图像重建。
数据生成式深度学习散射成像 Scattering Imaging Beyond the Optical Memory Effect Using Deep Learning Model Trained on Physically Inspired Synthetic Data
- J. Fu, B. Huang, et al. Scattering Imaging Beyond the Optical Memory Effect Using Deep Learning Model Trained on Physically Inspired Synthetic Data[J]. Optics Communications, 2026, 608: 132993.
基于物理引导合成数据的散斑成像框架
1. 总体流程 (Pipeline)
2. 数据生成 (LSI Modeling)
本方法的核心在于利用线性移不变（LSI）系统理论，即散斑在光学记忆效应范围内为物体 $O$ 与点扩散函数 $PSF$ 的卷积: $I$ $=$ $O$ $*$ $PSF$。
- 极速数据获取： 仅需实验测量一个系统 PSF，即可结合 MNIST 或 QuickDraw 等公开数据集生成数万组配对训练数据。
- 物理增强： 在合成过程中引入高斯噪声和散斑噪声，模拟真实环境中的退化因素，提升模型的泛化能力。
3. 神经网络架构 (Multi-scale Spatial Stripe Attention Network)
为了处理 OME 范围外的空间变异性，本研究改进了 U-Net 架构：
- 多尺度空间条纹注意力 (SSA)： 专门设计用于捕获散斑中的长程依赖关系，使网络能聚焦于由于超出 OME 范围而产生畸变的物体结构特征。
- 轻量化设计： 参数量仅为 5.27M，在保证重建质量的同时，大幅降低了计算开销（53.11G FLOPs）。
实验系统与数据处理
1. 实验设置
- 硬件环境： 505nm LED 光源、LCD液晶面板调制器、毛玻璃（散射介质）、CMOS 相机。
- 计算设备： 采用两块 RTX 2080Ti 进行分布式训练，支持大 Batch Size 以稳定收敛。
2. 实验数据预处理
- 归一化 → 灰度校正（去除光照不均） → 插值算法（增强特征并去除传感器噪声）。通过预处理，使实验采集的真实散斑在统计特征上与合成数据趋于一致。
3. 实验数据分析
- 通过清晰的视觉对比与对角线强度曲线图对比可知：在目标大小超过OME范围之后，真实散斑并不会出现颠覆性的改变，而存在一定的统计一致性，这是我们使用神经网络的泛化性来实现突破光学记忆效应成像的出发点。
4. 实验质量分析
- 通过清晰的视觉对比与对角线强度曲线图对比可知：我们在实验中获取到的真实散斑的自相关与原图的自相关存在差异，并不能满足散斑相关成像的质量要求，因此任何需要散斑相关的传统算法和深度学习算法都将失效，而使用我们所提出的算法仍可清晰地重建目标。
真实实验结果
1. 突破 OME 限制的重建结果
展示在 1.88 倍和 2.35 倍 OME 跨度下的重建效果。结果表明，即使在传统相关法失效的区域，本模型依然能通过物理启发学习准确还原物体拓扑结构。
展示在复杂目标下的重建效果。
2. 在同一框架下与其他网络模型进行对比
- 在 PCC 和 MSE 指标上，本模型在保持较低计算量的前提下，均优于对比的图像恢复模型，证明了针对散斑物理特性设计的注意力机制的有效性。
- 在 USAF1951 分辨率板目标的实验中，本模型依旧在效果上优于对比的图像恢复模型，并且在其他模型失效的同时仍然能够清晰可辨地重建目标。
方法创新与核心优势
- 物理引导的数据生成：提出LSI模型数据生成全流程，以最低成本获取大量数据
- 有效的数据预处理流程：提出基于灰度校正和多级插值的数据预处理流程，让真实数据更好地靠拢仿真数据
- 提出融合多条带注意力机制的卷积神经网络：以极强地泛化性突破两倍光学记忆效应范围成像
- 低成本自动化的实验采集平台：自主搭建了使用单片机、LCD液晶面板、散射介质以及CMOS相机的实验平台，为后续散射实验提供了低成本的新方案