简单光学成像技术及其研究进展

计算成像为光学成像系统提供了更强大的信息获取能力,通过在成像链路中引入编解码过程,在增大信息量的同时降低系统的复杂度,为实现更简单和更智能的成像系统奠定了基础.本文总结了以计算成像为基础的简单光学成像技术的发展.简单光学以小型化和集成化的成像元件与系统为目标,将光学系统设计与图像处理算法进行联合优化,在小尺寸、低质量和低功耗的系统中实现与复杂光学系统相媲美的成像效果.随着微纳加工技术的发展,简单光学元件从单透镜或少片透镜逐渐发展到衍射光学元件、二元光学元件和超构表面等平板光学元件.复原算法中总结了正向求解算法、基于模型的优化迭代算法和深度学习人工智能算法.本文介绍了深度成像、高分辨与超分辨成像、大视场和大景深成像等技术,以及简单光学在消费电子、自动驾驶、机器视觉、安防监控和元宇宙等领域发挥的作用,并对未来的发展进行展望.     

基于深度学习的粒子场数字全息成像研究进展

粒子场的数字全息成像中，由一幅粒子场全息图重建出高精度的三维粒子场分布，是数字全息技术领域的经典问题之一。相比于传统反向重建算法，深度学习算法可以从单个全息图直接重建出三维粒子场来简化算法复杂度，提高计算效率和准确率。介绍国内外研究团队将深度学习算法结合数字全息技术实现粒子场数字全息成像的研究进展，从不同粒子表征方法入手，叙述了支持向量机、全连接神经网络、全卷积网络、U-Net网络、深度神经网络在粒子场数字全息成像中粒子表征及粒子场反向重建过程中的应用原理、实现途径和准确率。最后指出了深度学习算法在这一研究领域的优势及目前基于深度学习算法的不足，并对如何进一步提高该方法的准确率进行了展望。