基于光子统计特性的深度学习鬼成像理论与算法研究

As a new imaging technology, ghost imaging has the characteristics of lensless imaging, strong anti-disturbance and non-localization. It has important application value in military defense, civil economy and other fields. Aiming at the bottleneck problem that the current ghost imaging algorithm can not take into account the sampling rate, computational efficiency and imaging quality, this project combines theoretical analysis, algorithm design and experimental verification methods to carry out deep learning ghost imaging theory and Algorithm Research Based on photon statistic property, providing a new idea for the study of high-performance ghost imaging algorithm of new system and the promotion of practical development. Based on the photon statistic property, the mechanism of the combination of deep learning and ghost imaging is studied. According to the relationship between the photon statistic property and target property, an unsupervised ghost imaging algorithm with low sampling rate, low computational complexity and high imaging quality is designed based on the generative adversarial networks. Based on the deep neural networks, the relationship between the photon statistic property, the target wavefront noise and the target property is revealed. Finally, the principle demonstration platform is built for experimental verification. The results of this project will provide a solid theoretical basis and a new technical approach for ghost imaging algorithm research, especially ghost imaging algorithm based on deep learning, and promote the process of ghost imaging practicality.

作为一种新型的成像技术，鬼成像具备无透镜成像、抗扰动性强和非定域性等特点，在军事国防、民用经济等领域有重要的应用价值。本项目针对当前鬼成像算法不能兼顾采样率、计算效率与成像质量的瓶颈问题，结合理论分析、算法设计和实验验证的方法，开展基于光子统计特性的深度学习鬼成像理论及算法研究工作，为研究新体制高性能鬼成像算法、推进实用化发展提供新思路。基于光子的统计特性，开展深度学习与鬼成像结合的相关机理研究；依据光子统计特性与目标特性之间的关系，设计基于生成式对抗网络的无监督的低采样率、低计算复杂度与高成像质量的鬼成像算法；基于深度神经网络，揭示光子统计特性、目标波前噪声及目标特性三者之间的关系，进而研究提升鬼成像系统信噪比的方法，最后搭建原理演示平台进行实验验证。本项目的成果将为鬼成像的算法研究，特别是基于深度学习的鬼成像算法提供坚实的理论依据和崭新的技术途径，推动鬼成像实用化的进程。

鬼成像，也被称为关联成像或量子成像，是美国马里兰大学的华裔科学家Yanhua Shih教授1995发明的全新成像技术，采用了完全不同的成像机理。相比于传统依靠光场强度信息的一阶成像手段，鬼成像是一种二阶成像方式，利用光场强度涨落的关联进行成像，具备无透镜、高分辨及抗扰动等优势，在激光雷达、抗散射成像及医疗成像领域有重要的应用前景。目前，鬼成像的主要瓶颈问题是采样率与成像质量之间难以权衡，本项目将深度学习方法引入鬼成像领域，依据系统架构特点，提出了基于深度学习方法的鬼成像及识别技术，实现了低采样率下的高质量图像重建及不基于图像信息的目标识别技术。本项目的相关成果可以推进鬼成像技术的实用化进程，早日实现落地。.基于非线性光学方法，研究了光源的光子统计特性及调控方法，尝试与深度学习方法中的非线性过程进行对应；基于生成式对抗网络，设计并实现了符合鬼成像符合测量过程的无图像目标识别方法；基于深度残差网络，设计并实现了提升鬼成像系统信噪比及去除伪影的方法；上述方法均进行了仿真及实验验证。此外，我们还开展了基于深度展开方法的鬼成像技术研究，将基于压缩感知方法的鬼成像求逆过程在深度神经网络上进行实现，以降低计算复杂度及参数选取的困难，基于实验数据的验证表明了该方法具有较好的性能表现。.（1）建立了散斑光场、目标特性与噪声之间的理论框架模型；.（2）基于本项目提出的方法，在实物实验中实现了0.02%采样率下的不基于图像信息的多目标快速识别；.（3）基于本项目提出的方法，基于实测数据演示了提升信噪比及去伪影方法；.（4）基于本项目提出的方法，在实物实验中实现了3%采样率下的高质量快速图像重建。. 上述研究成果的取得，有望从理论和技术上解决鬼成像低采样率低信噪比条件下图像重建质量差的瓶颈问题，推动其实用化进程。