计算光学中联合编解码优化的物理孪生研究进展

快速阅读: 据《Nature.com》称，计算光学结合计算与光学，突破传统光学限制，在多领域有广泛应用。端到端联合优化技术通过数字孪生提升性能，但仍面临逆向物理映射挑战。本文分析多种调制元件，为选择最优方案提供指导，助力下一代计算光学发展。

计算光学将计算引入光学领域，从而有效克服传统光学的诸多局限，比如低维感知、低光通量传输以及低分辨率等问题。光学编码与计算解码相结合的方式，为成像和传感能力的提升提供了新的可能，在生物医学、天文学、农业等领域展现出广阔的应用前景。近十年来，伴随着人工智能的飞速发展，深度学习进一步提升了计算光学的精确性和效率。

近期，一种端到端联合优化技术被成功开发，该技术借助数字孪生方法，将光学编码映射至神经网络层，并同步优化解码过程。这一框架在性能提升方面显著优于传统技术。然而，由于比特深度、数值范围和稳定性等方面存在差异，从优化编码参数到实际调制元件的逆向物理映射仍面临严峻挑战。

在此背景下，本文回顾了数字孪生模型中涉及空间、相位和频谱维度的各类光学调制元件，以实现联合编码-解码优化。我们的分析为在不同成像和传感任务中满足精度、速度及鲁棒性需求时，选择最合适的调制元件提供了建设性的指导。这一综述或许能够解决上述难题，并为下一代计算光学的发展奠定坚实的基础。

—

计算光学将计算融入光学领域，从而成功突破传统光学的诸多瓶颈，例如低维度感知、低光通量传输及低分辨率等。通过光学编码与计算解码的结合，其在成像与传感能力上实现了质的飞跃，尤其在生物医学、天文学和农业等领域展现出了巨大的应用潜力。近年来，得益于人工智能的迅猛发展，深度学习进一步提升了计算光学的精准度与效率。

最近，一种全新的端到端联合优化技术应运而生，它利用数字孪生方法将光学编码对应于神经网络层，并同步进行解码优化。相比传统技术，这种框架在性能提升方面表现更为卓越。然而，由于比特深度、数值范围和稳定性等方面的差异，从优化编码参数到实际调制元件的逆向物理映射依然充满挑战。

基于此，本文深入探讨了数字孪生模型中涉及空间、相位和频谱维度的多种光学调制元件，以实现联合编码-解码优化。我们的研究为在各类成像和传感任务中满足精度、速度及鲁棒性需求时，选择最优调制元件提供了明确指引。这一综述或许能够破解上述难题，并为下一代计算光学的发展铺平道路。

(以上内容均由Ai生成)