深度神经网络(DNN)对计算成像(CI)产生了深刻的影响。通常情况下, 一个DNN应该在特定的训练数据集上进行训练, 然后才能用于解决相应的CI问题。以这种方式训练的DNN从根本上说是一个黑匣子, 对其可解释性缺乏深入了解。在此, 我将报告我们团队最近在物理增强深度神经网络(PhysenNet)方面的工作。PhysenNet是一种将物理成像模型与传统DNN融合的策略。它具有两个明显的优势: 首先, 它不需要数据集进行训练, 而只需要将待处理的数据作为输入; 物理模型和随机初始化的DNN之间的相互约束提供了一个优化DNN的机制, 并完成图像重建。其次, 重建后的图像满足物理模型的约束, 因而是可解释的。我将以相位成像和计算鬼成像为例来证明PhysenNet 的优越性, 并讨论这种策略所面临的挑战。

司徒国海博士是中科院上海光机所研究员, 国家海外引进高层次青年人才计划入选者, 美国光学学会Fellow, 上海市优秀学术带头人; 近年来致力于发展基于人工智能的计算光学成像技术, 解决在强散射、弱光照等极端环境中的成像问题, 取得多项重要研究成果, 论文在Nature Photonics, Light Sciences & Applications, Optica等期刊上发表, 入选Elsevier中国高被引学者。他先后在40多个重要国际学术会议上作大会\主旨\辅导\邀请报告, 曾获国际Holoknight奖和中国科学院上海分院第六届杰出青年科技创新人才奖, Nature及其多个子刊审稿人, 先后任OSA Robert E. Hopkins领袖奖、SPIE Dennis Gabor衍射光学奖评审委员会委员。