《光学学报》网络首发论文《基于光学衍射神经网络的计算成像》学术报告

作者及机构
该研究由哈尔滨工业大学（深圳）微纳光电信息系统理论与技术工信部重点实验室杨闯、陈楠星（通信作者）、贺圣杰等团队主导，合作单位包括哈尔滨工业大学航天学院激光空间信息全国重点实验室。论文于2025年6月3日在《光学学报》（Acta Optica Sinica）网络首发，项目受国家自然科学基金、广东省重点实验室等资助支持。

学术背景
计算成像（Computational Imaging, CI）是融合光学理论与计算科学的前沿领域，旨在通过算法与硬件的协同优化突破传统成像的物理局限。然而，现有基于电子神经网络（DNN）的CI方法存在功耗高、延时大、冯·诺依曼架构数据瓶颈等问题。2018年，UCLA的Ozcan团队提出衍射深度神经网络（Diffractive Deep Neural Network, D2NN），通过多层衍射表面实现全光计算，为低功耗、高并行度的CI提供了新范式。本文聚焦D2NN在计算成像中的应用，系统探讨其技术原理、结构改进及多场景成像性能，旨在推动光计算成像的实用化发展。

研究内容与流程
1. D2NN原理与设计
- 理论基础：基于惠更斯-菲涅尔原理，D2NN通过多层衍射表面对光场复振幅（相位与强度）进行调制。每层衍射单元的复透射系数 ( t(x,y,z) ) 类比DNN中的权重参数，通过反向传播算法优化。
- 角谱传播理论改进：针对菲涅尔衍射理论在近场失效的问题，引入角谱传播理论（Angular Spectrum Propagation），将光场分解为平面波叠加，提升多层衍射网络的计算精度与效率。
- 衍射层实现形式：包括厚度调谐单元（通过材料高度 ( h ) 调控相位）和折射率调谐单元（通过空间折射率 ( n(x,y) ) 设计），超表面（Metasurface）进一步支持偏振、光谱等多自由度调控。

1. 结构创新与性能优化

   • 残差衍射网络（Res-D2NN）：借鉴电子Res-Net思想，在衍射层间引入光学捷径连接（通过反射镜/分束器实现），解决深层网络梯度消失问题。实验显示，30层Res-D2NN在图像超分辨任务中PSNR达25.63 dB，优于传统D2NN（24.66 dB）。
     
   • 多视角阵列（MDA）：通过多组D2NN并行处理不同视角光场，融合3D物体信息，提升对光学干扰的鲁棒性。
     
   • 金字塔结构（P-D2NN）：采用比例缩放衍射层实现单向图像放大/缩小，级联后支持9倍缩放，光能利用率提升30%。
     

2. 应用场景验证

   • 全息成像：
     
     • 散斑噪声抑制：傅里叶域D2NN（F-D2NN）联合传统算法，将重建图像SSIM提升至0.917（Tiny-ImageNet数据集）。
       
     • 非相干光兼容：部分相干衍射网络（PC-DONN）在低相干光源下实现94.3%的分类准确率。
       
   • 定量相位成像（QPI）：
     
     • 单波长QPI：相位-强度映射网络对0-π相位物体的重建PSNR达31.98 dB。
       
     • 多光谱QPI：通过波长复用将不同波段相位信息编码至空间分离区域，单次曝光实现宽光谱相位重建。
       
   • 超分辨成像：
     
     • 亚波长成像仪：结合高折射率浸没层（n=1.72）与衍射编码-解码器，在太赫兹波段实现λ/3.4线宽的特征分辨（λ为波长）。
       

主要结果与结论
1. 技术突破：D2NN通过物理光场调制实现计算成像，相较电子DNN能效提升百倍，推理延时降至光速级。
2. 跨场景适用性：在全息、相位、超分辨成像中均展示优异性能，如多光谱QPI系统可替代传统滤光片轮方案，简化硬件架构。
3. 核心挑战：静态衍射层适应性差、训练复杂度高，未来需结合动态材料（如相变材料）与光电协同计算进一步优化。

研究价值与亮点
1. 科学价值：
- 提出“光计算成像”新范式，为突破冯·诺依曼架构瓶颈提供物理实现路径。
- 建立D2NN在CI中的理论框架，包括角谱传播理论优化、残差结构设计等。
2. 应用前景：
- 生物医学：无标记活细胞相位成像、穿透散射介质观测。
- 智能传感：微型化超分辨显微镜、低功耗AR/VR全息显示。
3. 创新性：
- 首篇系统综述D2NN在CI中的多场景应用，提出Res-D2NN、MDA等原创结构。
- 实验验证涵盖可见光至太赫兹波段，为跨尺度光计算器件设计提供参考。

其他亮点
- 文中详述了微纳加工工艺（如双光子聚合3D打印、电子束光刻）与D2NN制造的适配性，对产学研结合具有指导意义。
- 开放性问题部分探讨了动态可重构衍射网络的实现路径，如基于SLM（空间光调制器）的实时权重更新方案。