智能光學計算成像是一個將人工智能（AI）與光學成像技術相結合的前沿領域，它通過深度學習、光學神經網絡、超表面光學（metaphotonics）、全息技術和量子光學等技術，推動光學成像技術的發展。以下是智能光學計算成像的一些關鍵進展和應用：

1.光纖成像：深度學習在光纖成像中的應用進展顯著，包括通過條件生成對抗網絡實現高速多模光纖成像系統

2.光譜成像：當前的光譜成像技術包括多通道濾光片、基于深度學習和波長響應曲線求逆問題的優化實現，以及衍射光柵、多路復用、超表面等技術，用于獲取高光譜信息

3.全息成像：利用深度神經網絡來優化全息圖的重建過程，提高成像質量，并實現復雜光學場景的快速三維重建

4.超分辨率成像：通過深度學習技術提高光學成像系統的空間分辨率，改善圖像質量

5.計算成像優化：利用深度學習模型對光學成像過程進行優化和控制，實現更高效的成像方法

6.簡單光學成像技術：基于計算成像，發展簡單和緊湊的光學成像技術，也稱為簡單光學。這種技術利用光學系統和圖像處理算法的聯合設計，實現與復雜光學系統相媲美的高質量成像

7.端到端光學算法聯合設計：計算光學成像包括了可微的衍射光學模型、折射光學模型以及基于可微光線追蹤的復雜透鏡模型，這些模型使得光學系統設計與圖像處理算法可以聯合優化

目錄

主要內容

光學計算成像導論

1.計算成像的概念與現狀

2.生活與科研中的典型應用場景

3.光學計算成像與計算攝影

4.深度學習增強的計算成像

像基本概念及計算成像理論基礎

1.顏色和光譜，圖像在程序中的表示

2.圖像傳感器，成像物理模型與噪聲

3.其他成像元件與光波波前分析方法

4.常見圖像描述方法與圖像處理流程

5.圖像重構理論基礎

6.一般計算成像逆問題與求解方式

實例：Poisson blending of image

機器學習及Python軟件基礎

1.機器學習基礎概念

2.監督學習與無監督學習

3.常用算法簡介（如線性回歸、多層感知機等）

3.1Python 編程基礎

3.2Python 環境搭建與工具介紹

3.3基本語法與數據結構

3.4矩陣運算庫NumPy與GPU運算庫Cupy

3.5數據可視化工具（Matplotlib 等）

3.6深度學習框架PyTorch 與TensorFlow

實踐：用Numpy/cupy與matplotlib繪制分形圖像

圖像常用深度神經網絡與PyTorch/TensorFlow實現

1.深度學習簡介與神經網絡基礎概念

2.深度學習的基本原理與訓練過程

3.常用基本深度網絡模型簡介

3.1全連接網絡(FC）

3.2卷積神經網絡（CNN）

3.3帶歷史記憶的網絡（如RNN）

4.基于PyTorch與TensorFlow的幾種神經網絡構建

?全連接網絡

?卷積神經網絡

?U-Net

?Res-Net

實踐：基本的全連接網絡模型與卷積神經網絡的搭建與訓練

圖像的神經網絡表示與ADMM圖像重構

1.神經表示（Neural Representations）與位置嵌入（Positional Encoding）

2.神經渲染（Neural Rendering）

3.學習式重構（Learned Reconstruction）與應用介紹

4.用ADMM算法來求解正則化逆問題

實踐：用ADMM 算法來重構圖像

常見的計算成像應用

1.圖像去噪與解模糊

2.空域編碼-解碼成像（壓縮感知、單像素成像）簡介

3.時域編碼-解碼成像（飛行時間、非視域成像）簡介

4.無透鏡成像

4.1無透鏡成像的概念與基礎

點擴散函數（PSF） 調控與無透鏡成像: 散射成像實例

壓縮感知和壓縮編碼成像

1.壓縮感知與壓縮成像理論

1.1基于多模光纖lantern的壓縮計算成像講解

?實踐：1D信號和2D圖像的壓縮感知重構

2.結構光照明和單像素成像理論

3.基于神經網絡的單像素成像

3.1基于神經網絡的遠場超分辨率鬼成像講解

實踐：基于多模光纖超快脈沖的單像素探測超快成像

高光譜成像

1.高光譜成像簡介與理論知識

2.神經網絡光譜成像

案例：具有高空間分辨率的寬帶高光譜圖像傳感器（實踐網絡重構部分）

微納光學計算成像

.超構表面與微納光學增強的計算成像簡介

2.超構表面與相位獲取成像

實例講解：納米光學高質量超構透鏡成像（實踐圖像重構部分）

端到端光學算法聯合設計

1.一般圖像系統設計

2.端到端光學和圖像處理系統設計

?案例講解：端到端的基于深度學習的散射介質散斑計算成像

綜合實例講解：用一個純相位鏡頭的灰度圖像到高光譜圖像（超光譜/解模糊/深度學習/點擴散函數設計/壓縮成像）

https://mp.weixin.qq.com/s/NDw-24d7CUVVysk5e2lL9g 詳情點擊查看或關注科研實踐課堂

審核編輯 黃宇