智能光学计算成像是一个将人工智能（AI）与光学成像技术相结合的前沿领域，它通过深度学习、光学神经网络、超表面光学（metaphotonics）、全息技术和量子光学等技术，推动光学成像技术的发展。以下是智能光学计算成像的一些关键进展和应用：
-
光纤成像：深度学习在光纤成像中的应用进展显著，包括通过条件生成对抗网络实现高速多模光纤成像系统
-
光谱成像：当前的光谱成像技术包括多通道滤光片、基于深度学习和波长响应曲线求逆问题的优化实现，以及衍射光栅、多路复用、超表面等技术，用于获取高光谱信息
-
全息成像：利用深度神经网络来优化全息图的重建过程，提高成像质量，并实现复杂光学场景的快速三维重建
-
超分辨率成像：通过深度学习技术提高光学成像系统的空间分辨率，改善图像质量
-
计算成像优化：利用深度学习模型对光学成像过程进行优化和控制，实现更高效的成像方法
-
简单光学成像技术：基于计算成像，发展简单和紧凑的光学成像技术，也称为简单光学。这种技术利用光学系统和图像处理算法的联合设计，实现与复杂光学系统相媲美的高质量成像
-
端到端光学算法联合设计：计算光学成像包括了可微的衍射光学模型、折射光学模型以及基于可微光线追踪的复杂透镜模型，这些模型使得光学系统设计与图像处理算法可以联合优化
适合光子学与光电子学、无线电电子学、物理学、材料科学、电信技术、自动化技术、仪器仪表工业、电气工程、电力工业、计算机软件及计算机应用、工业通用技术及设备、生物医学工程、金属学、生物医学工程等领域的科研人员、工程师、及相关行业从业者、跨领域研究人员
智能光学计算成像技术与应用
光学计算成像导论
1.计算成像的概念与现状
2.生活与科研中的典型应用场景
3.光学计算成像与计算摄影
4.深度学习增强的计算成像
像基本概念及计算成像理论基础
1.颜色和光谱，图像在程序中的表示
2.图像传感器，成像物理模型与噪声
3.其他成像元件与光波波前分析方法
4.常见图像描述方法与图像处理流程
5.图像重构理论基础
6.一般计算成像逆问题与求解方式
实例：Poisson blending of image
机器学习及Python软件基础
1.机器学习基础概念
3.常用算法简介（如线性回归、多层感知机等）
3.1 Python 编程基础
3.2 Python 环境搭建与工具介绍
3.3 基本语法与数据结构
3.4 矩阵运算库NumPy与GPU运算库Cupy
3.5 数据可视化工具（ Matplotlib 等）
3.6 深度学习框架 PyTorch 与TensorFlow
实践：用Numpy/cupy与matplotlib绘制分形图像
图像常用深度神经网络与PyTorch/TensorFlow实现
1.深度学习简介与神经网络基础概念
2.深度学习的基本原理与训练过程
3.常用基本深度网络模型简介
3.1全连接网络(FC）
3.2卷积神经网络（CNN）
3.3带历史记忆的网络（如RNN）
4.基于PyTorch与TensorFlow的几种神经网络构建
Ø 全连接网络
Ø 卷积神经网络
Ø U-Net
Ø Res-Net
实践：基本的全连接网络模型与卷积神经网络的搭建与训练
图像的神经网络表示与ADMM图像重构
1.神经表示（Neural Representations）与位置嵌入（Positional Encoding）
2.神经渲染（Neural Rendering）
3.学习式重构（Learned Reconstruction）与应用介绍
4.用ADMM算法来求解正则化逆问题
实践：用 ADMM 算法来重构图像
常见的计算成像应用
1.图像去噪与解模糊
2.空域编码-解码成像（压缩感知、单像素成像）简介
3.时域编码-解码成像（飞行时间、非视域成像）简介
4.无透镜成像
4.1无透镜成像的概念与基础
点扩散函数（PSF） 调控与无透镜成像: 散射成像实例
压缩感知和压缩编码成像
1.压缩感知与压缩成像理论
1.1基于多模光纤lantern的压缩计算成像讲解
Ø 实践：1D信号和2D图像的压缩感知重构
2.结构光照明和单像素成像理论
3.基于神经网络的单像素成像
3.1 基于神经网络的远场超分辨率鬼成像讲解
实践：基于多模光纤超快脉冲的单像素探测超快成像
高光谱成像
1.高光谱成像简介与理论知识
2.神经网络光谱成像
案例：具有高空间分辨率的宽带高光谱图像传感器（实践网络重构部分）
微纳光学计算成像
1.超构表面与微纳光学增强的计算成像简介
2.超构表面与相位获取成像
实例讲解：纳米光学高质量超构透镜成像（实践图像重构部分）
端到端光学算法联合设计
1.一般图像系统设计
2.端到端光学和图像处理系统设计
Ø 案例讲解：端到端的基于深度学习的散射介质散斑计算成像
综合实例讲解： 用一个纯相位镜头的灰度图像到高光谱图像（超光谱/解模糊/深度学习/点扩散函数设计/压缩成像）
光学为骨，AI为翼。区别于经典的光学成像课程和主要讲解数字算法的图像处理课程，本课程旨在结合各种先进光学器件与系统的特点，详解运用人工智能算法协同实现计算成像的主题。课程内容涵盖系统功能增强，软硬件协同设计等。内容立足于光学，在讲解常用的计算成像的算法的同时，融合各种智能算法，内容涉及成像的经典理论，常用的机器学习/深度学习算法与软件使用技巧，当下常用的几类计算光学重构理论等，并在光谱成像，压缩感知成像，无透镜成像，散斑成像，端到端光学算法联合设计等热点计算成像应用的话题及几类交叉的话题上进行相关论文的讲解与实践。教学方式将基础理论与高水平论文（Nature/Nature communication/Optica等）讲解相结合，辅以实际案例操作，通过理论学习、实践操作和启发式扩展讨论的方式，力图增强学习者对理论和应用的整合能力及创新思考能力。
主讲介绍： 来自国家“985 工程”“211 工程”重点高校。在《ACS Photonics》、《Journal of Lightwave Technology》等国际知名期刊发表论文数十篇, 擅长领域计算光子学及深度学习与光子学的交叉学科研究等。担任Laser & Photonics Review, Photonics Research, Journal of Lightwave Technology, IEEE JSTQE, Optics Express, Optics Letter等光子学期刊审稿人。
