无监督物理神经网络赋能叠层成像抗噪算法

针对叠层成像技术在噪声环境下的重建难题，中国科学院上海光机所林楠团队提出基于无监督物理神经网络的创新方法ProPtyNet，有望应用于芯片CD量测及缺陷检测，文章以“Noise-robust ptychography using unsupervised neural network”为题发表于《optics and lasers in engineering》。

其核心创新与成果如下[1]：

1.核心问题与挑战

叠层成像通过衍射模式反演物体复振幅分布，但在以下场景面临挑战：

复杂噪声环境：弱光条件下的泊松噪声（信噪比24.64dB）和高能粒子随机造成的混合噪声会导致传统算法失效

动态带宽成像：非单色光源使非目标波长成为新型频域噪声源

硬件限制：传统迭代算法速度慢，难以实现快速成像。

2.方法创新

提出"物理模型+深度学习"双驱动框架

数据处理架构：采用零填充预处理（例：512→612像素）和四分量输出（振幅/相位×物体/探针）提高轴向分辨率

网络拓扑优化：定制U-net架构（仅250万参数）实现四维参数联合优化，"Conv2d-tanh"相位层扩展动态范围至2π

抗噪损失函数：首创双损失机制（β=0.85-0.95）平衡过曝光区域（γ=1→0.1递变）和探针结构化约束，损失函数下降5倍

3.实验验证

通过600组测试验证性能：

噪声鲁棒性：在混合噪声（SNR 30dB）下，SSIM值达0.92±0.03，较ePIE提升约14倍

速度优势：单次收敛时间729秒，比AD、ePIE分别快47.8%和31.9%

宽谱适应性：有效分离405nm波段±5nm噪声分量，实现57线对/mm分辨率

4.应用前景

极紫外EUV成像：方法已适配菲涅尔传播模型，可扩展至13.5nm波长

低剂量动态监测：300μs短曝光条件下仍有效抑制读出噪声（NPS=0.12）

多参数联调：通过增加输出通道实现沿轴(zPIE)和斜入射(aPIE)联合标定[35-36]

该研究为新型光源（X射线/EUV）和极端工况（低温/辐照）的相干成像提供了计算机原理与实验模型双突破。 

图1.ProPtyNet算法细节。（a）ProPtyNet网络流程图。（b）U-net网络结构细节。（c）数据预处理及后处理方法。 

图2.模拟重构结果。（a）物体和探针的真实振幅与相位。（b）ProPtyNet，ePIE，rPIE以及AD算法在泊松噪声，高斯噪声以及混合噪声下的重构结果。

图3.实验结果。（a）不同噪声环境下样品振幅信息的重构结果。（b）划线部分振幅截面对比。（c）迭代过程的损失函数对比。 

图4.宽光谱照明下的重构结果（a）实验照明光光谱。（b）模拟与实验结果。

文章链接: https://doi.org/10.1016/j.optlaseng.2024.108791