近日，中国科学院西安光机所联合加拿大国立科学研究院（INRS）和西北大学，在压缩高速成像领域取得重要进展。相关研究成果发表于《超快科学》（Ultrafast Science，IF 9.9）。论文共同第一作者为西安光机所栗星博士、王思颖博士和西北大学博士陈长恒，通讯作者为西安光机所柏晨研究员和姚保利研究员，西安光机所为第一完成单位及通讯单位。

压缩高速成像的核心难题，在于从复杂逆问题中高保真地重建动态序列。传统深度学习方法通常依赖于大量训练数据，且普遍存在泛化能力有限、易引入伪影等问题。而现有的物理增强框架大多局限于单一任务先验，难以有效应对超快成像场景中噪声、帧间串扰等多维度干扰带来的复合成像难题。

为此，西安光机所研究团队提出多先验物理增强神经网络（mPEN）成像框架（如图1所示），团队创新性地将光致发光动力学物理模型、扩展采样先验、稀疏性约束、深度图像先验等多先验信息深度融入非训练神经网络。通过多重互补先验的协同修正，有效抑制了重建伪影、纠正空间畸变并提升空间分辨率，特别是在低光子条件下表现出较强的鲁棒性。

图2 基于多先验物理增强深度学习的压缩高速成像光路

基于该光路系统，研究团队提出的多先验物理增强深度学习方法在光致发光成像中展现了较高的保真度。实验结果（如图3所示）表明，空间分辨率明显提升：在33,000 fps的帧率下达到~90.5 lp/mm，是基于TwIST的传统COSUP方法的3.56倍。在重构质量方面，图像锐度与保真度增强了约1.85倍，峰值信噪比（PSNR）平均提升约4dB，有效解决了图像重构过程中的伪影干扰与畸变问题。

图4 酒精溶液中色素浓度检测。(a-b)mPENFFDNET与PnP-ADMM方法的重构结果对比及图像细节展示，结果显示mPENFFDNET有效抑制了前者存在的伪影与强度不均匀，实现了更高保真的细节重建；(c)为图(a)橙色虚线框区域对应的3D强度分布（3D profiles）对比，结果显示mPENFFDNET有效消除了PnP-ADMM结果中的锯齿状起伏与背景噪声，使重构表面更圆滑、背景更纯净，直观体现了系统对伪影的有效抑制；(d-e)荧光衰减曲线及平均寿命分析。实验证实，通过高保真重建可定量表征荧光寿命随色素浓度增加的猝灭效应。

团队在此领域的研究工作得到了国家自然科学基金、国家重点研发计划、中国科学院青年创新促进会等项目的支持。