计算光学成像的研究主要集中在对编码方式和解码算法的设计。传统方法使用光学知识设计光信号的编码采集系统（正向物理模型），然后使用模型驱动的优化算法求解逆问题实现解码重构。近几年发展起来的智能计算光学成像技术通过数据驱动的方式，对正向编码模式和逆向解码算法进行智能设计，极大的降低了成像系统的设计难度，但存在数据获取困难、泛化性及可解释性差等问题。课题组此前使用模型驱动的方式优化神经网络参数，无需训练数据，具有普适性和可解释性，但未充分利用大数据中的先验信息。
研究团队提出一种基于物理模型和训练数据联合驱动的智能计算成像方法，并成功在单像素成像中完成了室内和外场实验验证。首先使用数据对编码掩膜和解码网络进行协同优化，而解码网络因泛化性问题造成的图像伪影则通过模型驱动的方法消除。在单像素成像的研究中，采样比仅为6.25%时，获得了高信噪比的成像结果，并完成了公里级的外场实验验证，有望实现远距离运动目标的三维成像。
相关研究得到了国家自然科学基金项目、中德合作研究中心项目以及中国科学院前沿科学重点研究计划项目的支持。
原文链接
图1 物理模型与数据联合驱动的智能单像素成像方法示意图。（a）使用数据对嵌入物理解码层的自编码器中的编码掩膜和解码算法进行协同优化；（b）单像素成像实验装置图；（c）使用物理模型结合实测信号对训练所得网络进行微调。
图2 联合驱动的智能单像素成像仿真（a）室内（b）外场（c）实验结果。
责任编辑：李暄妍
