基于凸/深度(CODE)小数据学习理论的超表面快照高光谱成像高光谱成像对于材料鉴定至关重要，但传统系统体积庞大，阻碍了紧凑型系统的发展。虽然以前的超表面解决了体积问题，但复杂的制造工艺和大量占地面积的要求仍然限制了它们的应用。这项工作通过将超光学与小数据凸/深 （CODE） 深度学习理论相结合，报道了一种紧凑的快照高光谱成像器。 我们的快照高光谱成像仪仅由一个在可见窗口 （500-650 nm） 内工作的多波长超表面芯片组成，显著减小了设备面积。为了证明我们的高光谱成像仪的高性能，我们使用了 4 波段多光谱成像数据集作为输入。通过 CODE 驱动的成像系统，它仅使用 18 个训练数据点即可高效生成具有高保真度的 18 波段高光谱数据立方体。 我们预计多共振超表面与小数据学习理论的优雅集成将使用于基础科学研究和实际应用的低调先进仪器成为可能。散射介质中深度光学成像的多重散射轨迹追踪
多重光散射会阻碍复杂散射介质中的物体成像。实际实践中使用的方法主要旨在过滤掉多个散射，这些散射会掩盖直接穿过散射介质的弹道波。在这里，我们提出了一种方法，该方法确定性地使用多重散射对嵌入散射介质深处的物体进行显微成像。所提出的方法找到了一堆多个复相板，这些板产生与原始散射介质相似的光轨迹。通过使用识别出的相位板实现逆散射，我们的方法纠正了多重散射并将弹道波放大了近 600 倍。这导致成像深度显著增加（散射平均自由程的三倍多）以及图像失真的校正。我们的研究标志着解决长期存在的高阶逆散射问题的一个重要里程碑。
人工智能遥感增强了地中海海草监测和保护，以应对气候变化和人为影响
由于人为压力和气候变化，海草正在经历广泛的损失。自 1960 年以来，地中海海景失去了其主要和特有海草 Posidonia oceanica （波西多尼亚）
的 13-50% 的区域范围，该海草调节着其生态系统。由于选址不当和缺乏长期监测，许多保护和修复项目都失败了。在这里，我们提出了一种基于深度学习人工智能模型的快速高效的操作方法，使用 Sentinel-2 数据来绘制草地的空间范围，实现短期和长期监测，并确定自然和人为引起的压力源的影响以及不同时间尺度的变化。我们将 ACOLITE 大气校正应用于卫星数据，并使用输出与辅助数据一起训练模型，从而绘制草地的范围。我们应用了降噪滤镜来提高地图质量。我们获得了 74-92% 的总体准确率、72-91% 的用户准确率和 81-92% 的生产商准确率，其中在 0-25 m 深度观察到高准确度。我们的模型很容易适应其他地区，并且可以在原位数据稀缺的地区生成地图，提供第一手的概览。我们的方法可以成为对地中海 Posidonia 网络的支持，该网络汇集了不同的利益相关者，如当局、科学家、国际环境组织、专业人士，包括来自地中海国家的游艇代理商和码头，以到 2030 年保护地中海的所有 P. oceanica 草甸，并通过提供准确和最新的地图来提高每个国家保护这些草甸的能力，以防止其未来退化。
随着深度学习技术的迅速发展，计算光学成像领域迎来了新的机遇。传统光学成像系统受限于硬件能力和物理法则，难以在高分辨率和高速成像间取得平衡。而深度学习以其强大的数据处理和模式识别能力，正在突破这一瓶颈。基于深度学习的计算光学成像通过神经网络对复杂数据进行建模与分析，实现了超分辨率成像、快速成像和高精度成像等多种高难度任务。这种技术不仅提升了成像质量，还显著减少了数据处理时间，极大拓展了光学成像的应用范围。尤其在医学影像、材料科学和工业检测等领域，深度学习驱动的计算光学成像正展示出强大的潜力与优势。通过深度学习算法优化光学系统，研究人员能够更高效地捕获和解析图像，推动成像技术向更高水平发展。深度学习在计算光学成像的应用领域非常广泛，包括但不限于：
超分辨率成像：通过深度学习技术提高图像的空间分辨率。
图像重建和去模糊：处理模糊图像或降噪，改善成像质量。
光学逆问题求解：利用神经网络处理复杂的光学逆问题，如光学成像系统中的反演。利用深度学习模型对光学成像过程进行优化和控制，实现更高效的成像方法。
深度光学：利用深度学习设计光学系统的参数和配置，实现高性能成像。
医学成像：应用于MRI、CT扫描等医学图像的分析和重建。
遥感和地球观测：处理和分析遥感图像，提取地表特征和环境信息。
工业视觉：在自动化和质检领域中，利用深度学习技术进行视觉检测和分析。
这些应用展示了深度学习在改进成像质量、优化光学系统设计以及推动各种领域的创新应用中的潜力。
