圖1 (a) 非干涉動態定量相位成像示意圖。(b) 僅利用空間先驗的模型驅動深度學習。(c) 引入時空先驗的模型驅動學習。(d) 分別使用 STeP 和空間先驗從視頻序列重建相位的仿真SSIM和PSNR曲線。

近期，中國科學院上海光學精密機械研究所空天激光技術與系統部研究團隊提出了一種引入深度時空先驗(STeP)的輕量級神經網絡架構，無需訓練集即可應用于動態物體的定量相位成像。相關研究成果以“Dynamic quantitative phase imaging using deep spatial-temporal prior”為題發表于Optics Express。

測量透明樣本的相位分布這一經典光學難題從顯微到遙感領域都具有重要意義。基于深度學習的非干涉定量相位成像作為一種無標記、穩定的測量相位樣本方法，通過結合物理先驗進一步提高了其精度和可解釋性，同時無需訓練數據集。然而，該方法受限于冗長的訓練時間，難以應用于需要處理多幀數據的成像任務。

圖2 實驗結果定量分析。左側兩列為第 1、50、100 幀的原始圖像與重建結果。右側兩列是左側對應顏色位置的水平和垂直方向相位分布。

為解決上述問題，該研究團隊提出了一種將深度時空先驗(STeP)與輕量級神經網絡結合的訓練架構，能將原方法拓展至低信噪比(≈10.6dB)下的動態定量相位成像。如圖1所示，相較傳統的物理增強網絡僅利用空間先驗，STeP通過結合之前幀已學習到的空間先驗來建立幀與幀之間的時空聯系，用以重建當前幀。該方法在實驗上取得了相較傳統方法更好的結果，對于動態相位物體，基于STeP的方法能夠在低信噪比的條件下定量恢復其相位，如圖2所示。該研究將基于時空先驗的物理模型引入輕量級神經網絡架構，為實時、非干涉的動態定量相位成像提供了新的研究思路，有望應用于大氣湍流成像、光學元件缺陷檢測及微生物活體成像等領域。

相關工作得到了國家自然科學基金和上海市揚帆計劃的支持。