通過提供寬視場和高分辨率功能，計算成像有可能徹底改變光學成像。振幅和相位的聯合重建被稱為“相干成像或全息成像”——將光學系統的吞吐量擴展到數十億個光學可分辨點。這一突破使研究人員能夠深入了解生物醫學研究的細胞和分子結構。 盡管有潛力，現有的大規模相干成像技術面臨著廣泛臨床應用的挑戰。許多這些技術需要多次掃描或調制過程，導致較長的數據收集時間，以實現高分辨率和信噪比。由于速度、分辨率和質量之間的權衡，這減慢了成像速度，限制了其在臨床環境中的可行性。

最近的圖像去噪方法提供了一種潛在的解決方案，即在迭代重建過程中使用去噪算法來提高稀疏數據的成像質量。然而，傳統的方法計算復雜，而基于深度學習的技術泛化能力差，并且犧牲了圖像細節。

在《Advanced Photonics Nexus》上發表的一項研究中，來自北京理工大學、加州理工學院和康涅狄格大學的一組研究人員展示了一種復雜域神經網絡，可以顯著增強大規模相干成像。這為各種方式的低采樣和高質量相干成像開辟了新的可能性。

復雜域神經網絡支持大規模相干成像 該技術利用振幅和相位分量之間的潛在耦合信息，實現復雜波前的多維表示。該框架在各種相干成像模式中具有很強的通用性和魯棒性。 研究人員利用二維復卷積單元和復激活函數構建了一個網絡。他們還開發了一個綜合的相干成像多源噪聲模型，包括散斑噪聲、泊松噪聲、高斯噪聲和超分辨率重建噪聲。多源噪聲模型有利于提高合成數據對實際數據的域適應能力。

所報道的技術被應用于幾種相干成像模式，包括Kramers-Kronig關系全息術、傅立葉全息顯微鏡和無透鏡編碼全息術。大量的模擬和實驗表明，該技術保持了高質量的重建和效率，同時顯著減少了曝光時間和數據量-通過一個數量級。

高質量的重建為后續的高級語義分析提供了重要的意義，如高精度的細胞分割和虛擬染色，潛在地促進智能醫療的發展。 快速、高分辨率成像的潛力，減少曝光時間和數據量，為實時細胞觀察帶來了希望。此外，通過結合人工智能診斷，該技術可能會解開復雜生物系統的秘密，并推動醫學診斷的界限。