散射成像

ISDM: 基于生成扩散模型的散射介质成像重建技术报告散射介质成像是一项具有重大科学意义和广泛应用前景的技术挑战。当光波通过散射介质（如雾、生物组织、磨砂玻璃等）时，会发生多重散射现象，导致原始图像信息被严重破坏，形成随机散斑图样。本研究探讨了一种基于生成扩散模型的散射介质成像重建方法（ISDM），通过训练深度神经网络学习图像的分数函数，利用反向扩散采样过程从散斑图像中恢复原始目标图像。该方法采用方差爆炸随机微分方程（VESDE）建模前向扩散过程，使用NCSN++网络架构估计分数函数，结合预测-校正采样策略和数据一致性约束实现高质量图像重建。实验结果表明，与

基于虚拟反射矩阵的非侵入性荧光散射成像技术研究光学散射是制约深层生物组织成像的主要障碍之一。本研究实现了一种基于虚拟非相干反射矩阵的迭代相干自适应散射抑制(I-CLASS)算法，用于非侵入性荧光显微成像。该算法通过构建虚拟反射矩阵，利用迭代相位校正技术恢复被散射介质破坏的光学信息。实验结果表明，该方法能够有效重建散射层后的荧光样品结构，实现百万像素级别的成像分辨率。本研究详细分析了算法的技术路径、实现方式及运行结果，验证了该方法在散射成像领域的有效性。

基于共焦漫射层析成像的散射介质三维成像技术研究散射介质（如雾、烟、生物组织等）中的成像是光学成像领域的重要挑战。本文研究了一种基于共焦漫射层析成像（Confocal Diffuse Tomography, CDT）的方法，该方法能够穿透厚层散射介质实现三维成像。该方法结合了共焦扫描测量、扩散模型建模和频率-波数（F-K）迁移算法，成功从高度散射的光信号中重建出隐藏在散射介质后的三维物体。实验结果表明，该方法能够有效重建包括字母、人体模型、几何体等多种类型的三维目标，重建时间在普通CPU上仅需约100-170毫秒，具有较高的实用价值。

透过散射介质的智能成像：深度学习驱动的散斑相关性重建研究散射介质成像一直是光学成像领域的重大挑战。当光通过雾、生物组织、毛玻璃等散射介质时，光子的多次散射导致目标信息被严重扰乱，形成看似无序的散斑图案。传统光学成像方法在面对这类场景时往往束手无策。本研究基于深度学习方法，探索散斑图案与原始物体之间的内在关联，实现了从散射介质后获取的散斑图案中精确重建原始物体图像。实验结果表明，该方法能够成功重建字母、数字等复杂形状，重建图像清晰可辨，验证了深度学习在散射成像领域的巨大潜力。

基于衍射光学神经网络的散射模糊图像恢复研究【程序开发与改进】光在散射介质（如大气气溶胶、生物组织、浑浊水体等）中传播时，会与介质中的粒子发生多次散射，导致光波的振幅和相位发生随机变化。这种散射效应会使得原本清晰的图像变得模糊，严重影响成像质量。

我是有底线的