95后博导一周3篇顶刊！深度学习加持计算光成像，“王炸组合”再次轰动科研世界！

什么是计算光学成像

计算光学成像在传统几何光学的基础上，有机融入了物理光学的信息，如偏振、相位、轨道角动量等物理量，以信息传递为准则，多维度获取光场信息，并结合数学和信号处理知识，深度挖掘光场信息，通过物理过程解译获取更高维度的信息，是下一代的光电成像技术。

计算光学成像采用的是“先调制，再拍摄，最后解调”的成像方式。将光学系统 (照明、光学器件、光探测器)与数字图像处理算法作为一个整体考虑，前端成像元件与后端数据处理二者相辅相成，成为有机的整体。

国内计算光学成像研究也在和国际同步进行。中国科学院光电研究院计算光学成像技术实验室在计算光谱、光场和主动三维成像等方面进行了大量研究；清华大学国家信息实验室、光电工程研究所在计算光场成像、显微成像等方面做出重要贡献；西安电子科技大学计算成像重点实验室开展了基于散射成像、偏振成像、广域高分辨率计算成像等技术的研究；北京理工大学光学成像与计算实验室、测量与成像实验室也针对计算显示、计算光谱成像等提出了优化的解决方案；南京理工大学智能计算成像实验室在定量相位成像、数字全息成像和计算三维成像等方面取得优秀成果。 

计算光学成像技术的出现延伸并扩展了人眼的视觉特性，创新地将传统光电成像流程中末端的信息处理和计算拓展到成像过程中，将一些传统部分物理上难以突破的光学问题转换为数学和信息处理问题，将硬件设计与软件计算相结合。充分挖掘光信号的信息处理的潜力，解决传统光电成像技术中“看不见”、“看不清”、“看不全”的问题，朝着更高的分辨率，更远的作用距离，更广的视场，更小的光学成像体系，更强的环境适应性发展。 

计算成像是融合了光学设计、光学传感和图像处理的新兴技术领域，突破了传统成像技术获取信息的深度和广度限制，成为国际研究热点，是先进光学成像技术的重要发展方向。综合国内外文献和相关报道，以计算成像在信息复原及信息增强应用场景的技术发展为主线，结合新方法、新算法探讨各个子领域的主要进展，介绍端到端相机成像优化模型、衍射光学模型及基于可微光线追踪的复杂透镜模型等。近年来，无论是光学系统硬件加工还是图像处理算法都有着惊人的发展速度，多样化系统结构和先进算法的结合为计算成像提供了强大的发展动力，从人脸识别到物体检测，计算成像技术广泛涵盖了安防监控、医疗诊断、零售和娱乐等众多领域，相信未来也会在更多科学应用领域看到它的价值。

第一章：光学成像基础

第一节：绪论

1.什么是光学成像？

2.光学成像进展

第二节：光学成像重要属性

1.物距、焦距、空间带宽乘积

2.分辨率、视场、景深

3.球差、慧差、场曲、畸变、色差、像差

4.点扩散函数、调制传递函数

第三节：成像质量评价指标

1.全参考评价

2.半参考评价

3.无参考评价

第四节：光学成像发展趋势

1.功能拓展 (相位、三维、非视距、穿云透雾、遥感)

2.性能改善（视场大小、分辨率、成像速度）

3.系统优化（小型化、廉价化、高效制造）

第二章：典型计算成像

第一节：计算机断层扫描（CT）成像

1.基本原理（X射线投影与探测）

2.基于深度学习的计算重建

3.技术进展与应用

第二节：压缩感知成像

1.稀疏表示与测量

2.典型重建算法与优化

3.压缩感知成像计算重建

4.应用与发展趋势

第三节：编码孔径成像

1.编码孔径设计原理

2.成像系统特性与优势

3.基于深度学习的图像重建

4.典型应用概述

第四节：非视距成像

1.成像场景概述

2.光传播模型与测量

3.成像重建算法

4.技术挑战与未来发展

第五节：无透镜成像

1.成像系统

2.光传播模型建模

3.基于深度学习的计算重建

4.技术挑战及发展

第三章：实操软件介绍及运行（实践）

第一节：Python环境的搭建

1.了解anaconda的安装

2.运行环境创建及激活

3.学习编译器spyder的使用

4.Shell脚本的使用

第二节：Python基本操作

1.变量、数据类型、控制流

2.函数、文件操作

第三节：深度学习环境实践

1.pytorch框架介绍

2.学习编译器spyder的使用

3.Shell脚本的使用

第四节：简单的深度学习网络实操

1.学习深度学习网络学习所需文件、运行方式

2.了解数据集导入、了解网络训练、了解网络测试

第四章 最优化理论基础

第一节：引言与基础概念

1.最优化概述与定义

2.最优化问题的分类与形式化表示

3.目标函数与约束条件的基本概念

4.最优解的定义与性质

5.常见的最优化应用场景与实例 

6.稀疏理论及其分析

第二节：单变量最优化方法及其编程（理论+实操）

1.单变量函数的最大值与最小值

2.黄金分割法与二分法

3.牛顿法与割线法

4.收敛性与收敛速度分析

5.实际问题中的应用与限制

第三节：多变量无约束优化及其编程（理论+实操）

1.多变量函数的最优化问题

2.梯度下降法与共轭梯度法

3.牛顿法与拟牛顿法

4.收敛性与局部最优解

5.凸优化的基本理论与方法

第四节：多变量约束优化（理论+实操）

1.等式约束与不等式约束的最优化问题

2.拉格朗日乘子法

3.KKT条件与约束优化的求解策略

4.内点法与序列二次规划方法

5.实际问题中的应用与复杂性分析

第五节：典型最优化方法

1.最小二乘法

2.ISTA方法

3.ADMM方法

4.方法编程实现（实操）

第五章 深度学习基础

第一节：深度学习相关基础

1.了解神经网络的基本原理

2.了解反向传播和链式梯度计算

第二节：主流神经网络构型讲解

1.典型卷积网络介绍（ResNet、UNet）

2.Transformer

3.MLP

第三节：神经网络训练策略

1.全监督

2.弱监督（半监督）

3.无监督（自监督）

4.迁移学习（蒸馏、域自适应）

第四节：典型神经网络的搭建及训练（实操）

主要对ResNet、UNet等选一二作为例子，搭建全监督、弱监督、无监督等训练模式，进行实操

第六章 计算成像实践

第一节：基于最优化理论的计算成像设计（理论+实操）

（选取典型的计算成像示例，通过最优化理论进行计算重建）

1.目标函数设计

2.优化算法选择

（选择合适的优化算法进行目标函数的求解，如梯度下降法、共轭梯度法、交替方向乘子法（ADMM）等）

3.噪声处理与鲁棒性增强

（在重建过程中考虑噪声的影响，通过加入正则化项或鲁棒优化技术，提高算法的抗噪性和鲁棒性）

3.实操示例

第二节：基于深度学习的计算成像设计（理论+实操）

（选取典型的计算成像示例，通过典型的神经网络进行计算重建）

1.系统架构设计和数据处理

2.深度学习模型设计及训练

3.算法优化策略与实现

4.性能评估

第七章 新兴深度神经网络设计实战（创新实践）

第一节：最优化理论的深度展开

1.最优化理论和深度学习的碰撞

2.如何将最优化方法展开成网络

第二节：讲解优化理论的深度展开具体设计

1.了解迭代收缩阈值网络论文大概

2.准备和制作数据集，参数的介绍

3.了解迭代收缩阈值网络的核心设计

第三节：如何从零开开始复现典型的迭代收缩阈值网络

1.学习阅读代码中的readme文档

2.了解代码执行的核心思想

3.介绍如何通过终端执行命令

第四节：将构建的迭代收缩阈值网络应用于无透镜计算成像实战

1.了解ImageNet数据集的基本内容及数据集整理

2.如何训练面向无透镜成像的新兴深度神经网络

课程特色授课方式

（1）线上授课时间和地点自由，建立专业课程群进行实时答疑解惑，理论＋实操授课方式结合大量实战案例与项目演练，聚焦人工智能技术在超材料设计领域的最新研究进展，课前发送全部学习资料，课程提供全程答疑解惑；

（2）完全贴合学员需求的课程体系设计，定期更新的前沿案例，由浅入深式讲解，课后提供无限次回放视频，免费赠送二次学习，发送全部案例资料，永不解散的课程群，可以与相同领域内的老师同学互动交流问题，让求知的路上不再孤单！