近期，中國科學院上海光學精密機械研究所研究員司徒國海團隊提出了基于深度神經網絡的、能夠應用于自然場景的實時非侵入式透過散射介質光學成像方法(DescatterNet)。相關研究成果以Learning-based real-time imaging through dynamic scattering media為題，發表在《光：科學與應用》(Light: Science & Applications)上。
 

　　透過散射介質成像具有科學意義和應用價值。有研究利用深度神經網絡實現在散斑圖樣中復原清晰的物體，通過優化光場調控實現透過散射介質聚焦以及實現超17倍光學厚度的散射成像等。而受限于實際應用場景數據集難以采集，多數研究只能利用空間光調制器依次加載大量圖像。在實驗室人造散射環境中，人造光源侵入式照明條件下，利用相機采集相應的散射圖像。這樣設計的實驗條件與實際散射場景在光學特性上大相徑庭。通過這些數據訓練的深度神經網絡只可用于類似的實驗環境，無法應用于真實的外場散射環境。
 

　　該團隊提出了深度學習技術應用于真實散射場景的解決方案，分別從實驗裝置設計、數據集設計、數據預處理方法、AI模型優化和部署等方面開展研究，在真實物體和自然場景中取得顯著的散射成像效果。
 

　　研究顯示，隨著散射程度加深，原始散射圖像迅速退化并完全無法分辨。DescatterNet對真實物體實現了高質量的散射成像，提高了成像系統的探測性能。
 

　　在前期成果的基礎上，該團隊進行了自然場景的散射成像實驗并搭建了成像裝置。實驗中，該團隊實現了透過戶外5.9km的濃霧環境對自然場景的散射成像。傳統圖像增強方法難以復原出清晰圖像，而DescatterNet可以取得最優的復原結果。
 

　　該研究表明，AI技術應用于真實散射場景的關鍵在于適配的數據集、數據處理算法及強大的神經網絡。該研究結合光學成像原理研制的新一代智能成像技術提高了系統的探測性能，在惡劣天氣下交通安全、視頻監控、火場救援和水下探測等領域展現出應用前景。
 

　　研究工作得到國家自然科學基金、上海市相關項目的支持。