在探索光學成像技術(shù)的無限可能時，深度學習計算光學成像正逐步成為科研與應(yīng)用的熱點。傳統(tǒng)光學成像技術(shù)雖已成熟，但其成像質(zhì)量受限于物理原理，如衍射極限和像差等難題，難以進一步突破。而計算成像技術(shù)的興起，結(jié)合數(shù)學與信號處理的知識，為光學成像開辟了新的道路。深度學習作為近年來迅速發(fā)展的技術(shù)，憑借其強大的數(shù)據(jù)處理和特征提取能力，為計算光學成像注入了新的活力。

深度學習計算光學成像的研究背景深厚，它旨在通過算法優(yōu)化來解決傳統(tǒng)光學成像中的難題，提升成像質(zhì)量。這一領(lǐng)域融合了光學、計算機科學、數(shù)學等多個學科的知識，通過深度學習模型對光場信息進行多維度獲取、編碼與處理，從而突破傳統(tǒng)成像的局限。

展望未來，深度學習計算光學成像的前景廣闊。它不僅能夠進一步提升成像分辨率，降低噪聲，實現(xiàn)超分辨率成像，還能通過算法優(yōu)化簡化成像系統(tǒng)的硬件設(shè)備，降低成本。同時，其強大的環(huán)境適應(yīng)性將使成像系統(tǒng)能夠在各種復(fù)雜環(huán)境中保持穩(wěn)定的性能，為醫(yī)療、無人駕駛、遙感監(jiān)測等領(lǐng)域提供有力支持。隨著跨學科融合的深入和技術(shù)的不斷進步，我們有理由相信，深度學習計算光學成像將在未來發(fā)揮更加重要的作用，引領(lǐng)成像技術(shù)的新一輪革命。

01深度學習光學設(shè)計（光網(wǎng)絡(luò)與逆向設(shè)計）專題

02 深度學習計算光學成像專題

深度學習光學設(shè)計講師介紹

主講老師團隊來自全國重點大學、國家“985工程”物理與信息交叉學科專業(yè)，有多年的機器學習和課題組科研經(jīng)歷！研究方向涉及光學設(shè)計與物理學，深度學習，機器學習等交叉領(lǐng)域。有著豐富知識積累和實戰(zhàn)經(jīng)驗。參與國自然科學基金項目多項等，包括發(fā)表SCI論文十余篇，國家發(fā)明專利一項！擔任過MDPI旗下等多個期刊的審稿人。

深度學習計算光學成像講師介紹

主講老師來自國外光學成像頂尖高校，擅長計算機視覺與深度學習成像研究。近年來發(fā)表SCI論文15篇，授權(quán)三項發(fā)明專利。研究方向包括：圖像處理與計算機視覺、深度學習方法、物理驅(qū)動的光學成像、跨模態(tài)成像研究等。

深度學習光學設(shè)計（光網(wǎng)絡(luò)與逆向設(shè)計）目標

1.基于深度學習的光網(wǎng)絡(luò)的培養(yǎng)目標主要集中在培養(yǎng)具備現(xiàn)代光學理論基礎(chǔ)和深度學習技術(shù)知識的高級專業(yè)人才。他們不僅需要熟悉現(xiàn)代光學的原理，還需要掌握深度學習算法的原理和應(yīng)用，能夠結(jié)合深度學習和現(xiàn)代光學原理設(shè)計出具有光學加速功能的器件。 

2. 初步掌握構(gòu)建深度學習模型所需的使用的工具，學會搭建深度學習開發(fā)環(huán)境。讓初學者能夠使用深度學習框架搭建常用神經(jīng)網(wǎng)絡(luò)模型，了解模型訓(xùn)練過程中出現(xiàn)的問題并掌握常用的解決辦法。 

3. 熟悉超材料的發(fā)展現(xiàn)狀，基本掌握多物理場仿真軟件，并能夠使用該軟件計算光子晶體 的能帶并對仿真結(jié)果做后處理。了解超表面在光學以及量子領(lǐng)域方面的應(yīng)用，學會使用仿真軟件對超表面結(jié)構(gòu)進行仿真以及后續(xù)的結(jié)果分析。

4. 知道MATLAB與COMSOL以及Python間的交互方式，學會使用 Python處理COMSOL導(dǎo)出的數(shù)據(jù)，了解如何使用 MATLAB 將 COMSOL 的數(shù)據(jù)導(dǎo)出并處理為 Python 能讀取的數(shù)據(jù)。 

5. 了解硅基光網(wǎng)絡(luò)的發(fā)展現(xiàn)狀，知道矩陣分解的原理，學會使用深度學習框架去搭建一個基于MZI的模型框架并將其應(yīng)用在深度學習實例上。 

6. 未來利用光的加速功能，基于片上的光網(wǎng)絡(luò)可以設(shè)計出具有加速功能的光芯片。基于衍射網(wǎng)絡(luò)，則可以在自由空間上設(shè)計出快速成像系統(tǒng)，加速自動駕駛的圖像識別。 

7. 利用深度學習模型，可以克服傳統(tǒng)基于全波模擬的設(shè)計方法的劣勢，可以快速給出給定 結(jié)構(gòu)的目標響應(yīng)，加速光學設(shè)計的過程。 

深度學習計算光學成像目標

1.掌握典型光學成像機理，了解其對應(yīng)的數(shù)學模型及需求解的問題。

2.掌握典型的最優(yōu)化理論及方法，能夠通過設(shè)計目標函數(shù)求解典型的計算成像逆問題。

3.掌握深度學習算法的原理和應(yīng)用，能夠通過python編程實現(xiàn)典型的深度網(wǎng)絡(luò)模型的部署和修改，并用于解決典型的計算光學成像問題。

深度學習光學設(shè)計

第一天

第一章 導(dǎo)論 

第一節(jié) 深度學習與光網(wǎng)絡(luò)綜述 

1.1 衍射神經(jīng)網(wǎng)絡(luò) 

1.2 片上集成光學神經(jīng)網(wǎng)絡(luò) 

第二節(jié) 深度學習與超表面反向設(shè)計綜述 

第三節(jié) 光網(wǎng)絡(luò)與超表面反向設(shè)計的挑戰(zhàn) 

第四節(jié) 光網(wǎng)絡(luò)與超表面反向設(shè)計未來的發(fā)展趨勢 

第二章 軟件基礎(chǔ)知識（實操） 

第一節(jié) Python 環(huán)境的搭建 

1.1 Anaconda 、Numpy、Matplotlib 和 Pandas 安裝 

1.2 虛擬環(huán)境的搭建以及 Pytorch 安裝 

1.3 Pytorch GPU 版本的安裝 

第二節(jié) Python 的基礎(chǔ)教程 

2.1 Python 常見的數(shù)據(jù)結(jié)構(gòu)與數(shù)據(jù)類型 

2.2 Numpy 基礎(chǔ)教程 

2.3 Pandas 基礎(chǔ)教程 

2.4 Matplotlib 基礎(chǔ)教程 

第三節(jié) Pytorch 基本教程 

3.1 數(shù)據(jù)操作 

3.2 數(shù)據(jù)預(yù)處理 

3.3 線性代數(shù)

圖片

第二天

第三章 深度學習 

第一節(jié) 機器學習 

第二節(jié) 機器學習中的關(guān)鍵組件 

2.1 數(shù)據(jù) 

2.2 模型 

2.3 損失函數(shù) 

2.4 優(yōu)化算法 

第三節(jié) 機器學習的分類 

3.1 監(jiān)督學習 

3.2 無監(jiān)督學習 

3.3 半監(jiān)督學習 

3.4 強化學習 

3.5 遷移學習 

第四節(jié) 深度學習 

4.1 深度學習的發(fā)展歷程 

4.2 深度學習的進展 

4.3 人工神經(jīng)網(wǎng)絡(luò) 

第四章 深度學習模型（實操） 

第一節(jié) 線性神經(jīng)網(wǎng)絡(luò)實例 

1.1 線性回歸 

1.2 softmax 回歸 

第二節(jié) 多層感知機實例 

2.1 多層感知機 

2.2 模型選擇、欠擬合和過擬合 

2.3 權(quán)重衰減 

2.4 Dropout 

第三節(jié) 卷積神經(jīng)網(wǎng)絡(luò)實例 

3.1 從全連接層到卷積 

3.2 通道和匯聚層 

3.3 卷積神經(jīng)網(wǎng)絡(luò)（LeNet） 

3.4 批量歸一化 

3.5 殘差連接 

第四節(jié) 循環(huán)神經(jīng)網(wǎng)絡(luò)實例

4.1 序列模型 

4.2 語言模型和數(shù)據(jù)集 

4.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 

第五節(jié) 生成對抗網(wǎng)絡(luò)實例 

5.1 概率生成模型 

5.2 變分自編碼器 

5.3 生成對抗網(wǎng)絡(luò)

圖片圖片

第三天

第五章 超材料 

第一節(jié) 超材料概述 

第二節(jié) 光子晶體(COMSOL 實際操作) 

2.1 光子晶體基礎(chǔ)和應(yīng)用 

2.2 傳遞矩陣方法求解一維光子晶體能帶 

2.3 平面波展開法求解一維光子晶體能帶 

2.4 有限元法求解光子晶體能帶 

2.4.1 二維正方晶格能帶 

2.4.2 二維正方晶格光子晶體板能帶 

2.4.3 二維三角晶格光子晶體板能帶 

2.4.4 二維六角晶格光子晶體板能帶 

2.5 光子晶體板中的連續(xù)譜束縛態(tài)(BIC)及其拓撲荷的計算 

第三節(jié) 超表面在光場調(diào)控中的作用 

3.1 相位調(diào)控 

3.2 光強調(diào)控 

3.3 偏振調(diào)控 

3.4 頻率調(diào)控 

3.5 聯(lián)合調(diào)控 

第四節(jié) 超表面仿真實例(COMSOL 實際操作) 

3.1 頻率選擇表面周期性互補開口諧振環(huán) 

3.2 超表面光束偏折器 

第五節(jié) 超構(gòu)表面在量子光學中的研究與應(yīng)用 

5.1 量子等離激元 

5.2 量子光源 

5.3 量子態(tài)的測量與操縱 

5.4 量子光學的應(yīng)用 

第四天

第六章 基于馬赫-增德爾干涉儀的光計算 

第一節(jié) 光計算及光神經(jīng)網(wǎng)絡(luò)的簡介 

1.1 光計算的背景介紹 

1.2 光神經(jīng)網(wǎng)絡(luò)的發(fā)展與分類 

1.3 光神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀 

第二節(jié) 基于 MZI 的光神經(jīng)網(wǎng)絡(luò)原理 

2.1 全連接神經(jīng)網(wǎng)絡(luò)原理講解 

2.2 MZI 級聯(lián)的相干光矩陣計算原理 

2.3 N 階酉矩陣分解 

2.4 基于 MZI 拓撲級聯(lián)的酉矩陣通用架構(gòu) 

第三節(jié) 訓(xùn)練數(shù)據(jù)集的獲取與處理（Python 實操） 

3.1 Python 程序環(huán)境安裝 

3.2 Pycharm 主要功能介紹 

3.3 數(shù)據(jù)集的獲取方法 

3.4 訓(xùn)練數(shù)據(jù)集的前期處理 

第四節(jié) 酉矩陣通用架構(gòu)的搭建（Python 實操） 

4.1 二階酉矩陣的搭建 

4.2 clement 架構(gòu)的搭建 

第五節(jié) 光神經(jīng)網(wǎng)絡(luò)的模型運行（Python 實操） 

第五天

第七章 全光衍射神經(jīng)網(wǎng)絡(luò) 

第一節(jié) 標量衍射理論基礎(chǔ) 

1.1 惠更斯-菲涅耳原理 

1.2 瑞利-索莫菲衍射公式 

1.3 衍射角譜理論 

1.4 離散傅里葉變換 

第六節(jié) 光學衍射神經(jīng)網(wǎng)絡(luò)（Python 實操） 

2.1 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 

2.2 光學衍射神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 

2.3 光學衍射神經(jīng)網(wǎng)絡(luò)實現(xiàn)手寫數(shù)字識別 

2.4 光學衍射神經(jīng)網(wǎng)絡(luò)的應(yīng)用 

第八章 超材料反向設(shè)計實例 

第一節(jié) 基于神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)全介質(zhì)超表面的設(shè)計（COMSOL 實操） 

1.1 超表面元的模擬 

1.2 超表面元的參數(shù)提取 

1.3 訓(xùn)練數(shù)據(jù)集的搭建 

1.4 預(yù)測模型的訓(xùn)練 

第二節(jié) CNN 和 RNN 的組合尋找等離子體結(jié)構(gòu)的光學特性（COMSOL 實操） 

第三節(jié) DELAY 強化學習算法實現(xiàn)激光器的自動鎖模控制 

深度學習計算光學成像專題

第一天：

第一章：光學成像基礎(chǔ)

第一節(jié)：緒論

1.什么是光學成像？

2.光學成像進展

第二節(jié)：光學成像重要屬性

1.物距、焦距、空間帶寬乘積

2.分辨率、視場、景深

3.球差、慧差、場曲、畸變、色差、像差

4.點擴散函數(shù)、調(diào)制傳遞函數(shù)

第三節(jié)：成像質(zhì)量評價指標

1.全參考評價

2.半?yún)⒖荚u價

3.無參考評價

第四節(jié)：光學成像發(fā)展趨勢

1.功能拓展 (相位、三維、非視距、穿云透霧、遙感)

2.性能改善（視場大小、分辨率、成像速度）

3.系統(tǒng)優(yōu)化（小型化、廉價化、高效制造）

第二章：典型計算成像

第一節(jié)：計算機斷層掃描（CT）成像

1.基本原理（X射線投影與探測）

2.基于深度學習的計算重建

3.技術(shù)進展與應(yīng)用

第二節(jié)：壓縮感知成像

1.稀疏表示與測量

2.典型重建算法與優(yōu)化

3.壓縮感知成像計算重建

4.應(yīng)用與發(fā)展趨勢

第三節(jié)：編碼孔徑成像

1.編碼孔徑設(shè)計原理

2.成像系統(tǒng)特性與優(yōu)勢

3.基于深度學習的圖像重建

4.典型應(yīng)用概述