西安光机所在计算成像可解释性深度学习重建方法取得进展

近日，中科院西安光机所空间光学技术研究室在计算成像可解释性深度学习重建方法研究取得创新性进展。相关研究成果发表于计算机视觉与图形学领域国际著名期刊Computational Visual Media（简称CMVJ，IF：17.3），该期刊影响因子位居JCR计算机学科软件工程类期刊首位。西安光机所李宝鹏高级工程师为论文第一作者，西安光机所马彩文研究员和西安交通大学谢琦副教授为共同通信作者。西安光机所樊学武研究员、赵惠研究员、高伟研究员、杨明洋研究助理，西安交通大学潘志斌教授和孟德宇教授为合作者。论文的第一完成单位为中国科学院西安光机所，通讯单位为中国科学院西安光机所和西安交通大学。

傅里叶叠层成像是一种新兴的计算成像技术，其成像的正向模型包括光瞳函数的低通滤波、光瞳在频域内的扫描采样、傅里叶变换和复杂的成像噪声污染。传统基于深度神经网络学习（如卷积神经网络）方法在远距离场景下，环境噪声干扰更为复杂，高分辨率图像重建难度显著增加。

图1.MDFP-Net网络结构

对此，研究团队创新性地提出了一种融合可学习正则化项的优化模型，结合近端梯度优化算法，为构建可解释的深度学习模型奠定理论基础。基于此，团队设计出全新模型驱动的傅里叶叠层重建网络（MDFP-Net），MDFP-Net为首个通过复数域与实数域交替迭代优化，将振幅流重建算法嵌入网络结构的深度可展开网络，有效实现了振幅的重构。MDFP-Net的各模块设计具有明晰的物理意义，使傅里叶叠层重建过程的所有模块均具备可解释性，显著提升了深度学习在计算成像中的理论合理性与计算成像性能。

图2.不同方法仿真图像重建结果

图3.实验场景

图4.不同方法8.7m真实场景重建结果

为验证MDFP-Net在实现高质量和快速重建方面的有效性，研究团队开发了一套远距离反射式傅里叶叠层成像系统，顺利完成了8.7m外真实样本数据采集。研究成果在既推动了傅里叶叠层成像技术的认知深化，也通过创新性地融合深度学习与计算成像方法，为计算光学成像的研究提供了新的技术思路，未来有望突破更远距离成像场景限制，有为遥感等领域应用提供技术支撑的潜力。

研究得到中国科学院西部青年学者项目和超快光科学与技术全国重点实验室开放基金的资助。

西安光机所空间光学技术研究室始终紧密围绕国家重大工程需求，专注于高分辨率成像技术的深入研究。研究室继承并发展了传统的高分辨率相机技术，积极探索新型高分辨率成像技术、相位恢复和深度学习等前沿科技领域。

论文链接：https://doi.org/10.26599/CVM.2025.9450442