北京
图1. 概述所提方法的框架
近期，中国科学院上海光学精密机械研究所空天激光技术与系统部研究团队，提出一种在真实采样受限燃烧环境下三维火焰化学发光光谱计算层析智能重建方案(PIPEN)，相关研究成果以“Physically enhanced neural network based on projection map synthesis for chemiluminescence tomography reconstruction with limited views”为题发表于Optics Express。
光学计算层析技术以其非侵入性在生物组织成像、工业检测等方面得到了广泛的应用。在通常情况下，获得投影方向数的数量直接决定了后续算法恢复所能获得特征信息的上限，然而在实际采集中由于成本、速度等限制能够获得的投影方向数是有限的。三维火焰化学发光光谱计算层析因其光学非侵入性在锅炉燃烧污染物监测、航空发动机燃烧诊断等方面得到了充分的关注。
研究团队以三维火焰化学发光光谱计算层析为例，开展了采样受限情况下的层析问题研究。研究使用的网络框架分为两步，如图1所示。第一步采用一个数据驱动网络学习视角变换映射，通过此步骤可将采集的有限视图扩充为满采样视图为后续三维层析重建提供更多可学习特征点。第二步将层析成像系统物理模型与神经网络集成在一起，并利用物理一致性损失来指导权重优化，使其成为一个未经训练、可扩展可解释的重建器。
研究重建结果如图2所示，在与训练数据集相关度较高和较低两类场进行了测试。测试结果表明本研究方法相对于受限采样下的重建方法在结果上有较大的提升且网络的泛化性极高。本研究在传统迭代优化算法和数据驱动的深度学习方法之间架起了一座桥梁;为受限采样下的层析重建问题提供了新思路，为更高性能的成像系统与算法开发提供了基础，可在低剂量X射线层析成像、磁共振成像(MRI)和光声层析成像(PAT)等领域应用。
图2. 网络重建结果。(a)与训练集相关度较高的数据集重建结果。(b)与训练集相关度较低的数据集重建结果
相关工作得到了国家自然科学基金、上海市科技重大专项、上海市扬帆计划等基金项目支持。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
