团队简介博士科研团队超级学长超级学长实验室提供各种程序开发、实验复现与论文指导个人微信easy_optics 目 录第一部分研究计划书格式模板一、基本信息二、拟申请研究课题三、研究背景与意义3.1 研究背景3.2 研究意义四、国内外研究现状五、研究目标与内容5.1 研究目标5.2 研究内容六、研究方法与技术路线6.1 研究方法6.2 技术路线6.3 可行性分析七、预期成果与创新点7.1 预期成果7.2 创新点八、研究进度安排九、参考文献第二部分实例示范一、基本信息二、拟申请研究课题三、研究背景与意义3.1 研究背景3.2 研究意义四、国内外研究现状4.1 国外研究现状4.2 国内研究现状4.3 现有研究的不足五、研究目标与内容5.1 研究目标5.2 研究内容六、研究方法与技术路线6.1 研究方法6.2 技术路线6.3 可行性分析七、预期成果与创新点7.1 预期成果7.2 创新点八、研究进度安排九、参考文献第一部分研究计划书格式模板一、基本信息项目填写内容项目填写内容姓名[填写姓名]性别[填写性别]出生年月[YYYY年MM月]政治面貌[填写政治面貌]本科院校[填写本科毕业院校]本科专业[填写本科专业]硕士院校[填写硕士毕业院校]硕士专业[填写硕士专业]报考专业[填写拟攻读博士学位的专业]研究方向[填写拟开展研究的主要方向]拟选导师[填写意向导师姓名及职称]二、拟申请研究课题【模板说明】此处填写博士阶段拟开展研究的具体课题名称要求题目应简洁明确能够准确反映研究的核心内容避免使用过于宽泛或过于狭窄的表述建议字数控制在20-30字之间课题名称[在此处填写研究课题名称]三、研究背景与意义3.1 研究背景【模板说明】从宏观角度阐述本研究所属领域的发展现状、面临的挑战和机遇。建议包括该研究领域的发展历程和重要里程碑当前研究热点和技术瓶颈社会需求和实际应用背景3.2 研究意义【模板说明】阐述本研究的理论意义和实践价值理论意义对学科发展的贡献可能产生的新理论、新方法实践意义对实际应用的推动作用潜在的经济和社会效益四、国内外研究现状【模板说明】系统综述与本课题相关的国内外研究进展建议结构国外研究现状按时间或技术路线梳理国外重要研究成果国内研究现状国内相关研究的进展和代表性工作现有研究的不足分析当前研究存在的局限性和未解决的问题发展趋势该领域未来可能的发展方向五、研究目标与内容5.1 研究目标【模板说明】明确本研究拟达到的总体目标和具体目标建议分条列出。5.2 研究内容【模板说明】详细阐述拟开展研究的具体内容建议按照研究逻辑分点论述每点应包含研究内容的具体描述拟解决的关键问题拟采用的主要方法六、研究方法与技术路线6.1 研究方法【模板说明】阐述拟采用的研究方法如理论分析、数值模拟、实验研究等并说明选择这些方法的理由。6.2 技术路线【模板说明】可以用文字描述或流程图形式展示研究的技术路线清晰呈现各研究环节之间的逻辑关系。6.3 可行性分析【模板说明】从理论基础、技术条件、实验平台、前期积累等方面论证研究方案的可行性。七、预期成果与创新点7.1 预期成果【模板说明】明确预期取得的成果形式如学术论文计划发表SCI/EI论文X篇其中高水平期刊论文X篇专利申请计划申请发明专利X项软件/系统开发原型系统或软件X套理论成果建立理论模型或算法X个7.2 创新点【模板说明】阐述本研究相对于现有工作的创新之处可以从以下角度分析理论创新提出新的理论、模型或概念方法创新发展新的研究方法或技术应用创新开辟新的应用领域或解决新的实际问题八、研究进度安排【模板说明】按学期或年度制定详细的研究计划建议格式如下阶段时间主要任务第一阶段博士一年级[课程学习、文献调研、基础实验等]第二阶段博士二年级[深入研究、论文撰写、学术交流等]第三阶段博士三年级[论文完善、成果总结、学位申请等]九、参考文献【模板说明】列出研究计划中引用的主要参考文献格式建议采用GB/T 7714-2015标准。第二部分实例示范基于论文Memory-less scattering imaging with ultrafast convolutional optical neural networks一、基本信息项目填写内容项目填写内容姓名xx性别男出生年月xx年xx月政治面貌共青团员本科院校xxx大学本科专业光电信息科学与工程硕士院校xxx大学硕士专业光学工程报考专业光学工程研究方向计算成像与光神经网络拟选导师xxx教授/院士二、拟申请研究课题基于超快卷积光学神经网络的无记忆散射成像方法研究三、研究背景与意义3.1 研究背景光学记忆效应Optical Memory Effect, OME在复杂散射介质包括浑浊生物组织和散斑层中的成像是宏观和微观成像方法的重要基础。然而在不依赖光学记忆效应的情况下从强散射介质中重建图像一直是一个具有挑战性的难题。当光通过多层散射介质时入射光会发生多次散射导致原始物体信息在散射过程中丢失。传统方法通常依赖于光学记忆效应即当入射光角度发生微小变化时散射光场保持相关的特性。然而在多层散射介质中光学记忆效应的角相关范围会显著减小。例如当散射层数N≥2、层间距d5cm时光学记忆效应的角相关范围仅为1.8至5.8毫度对应的成像视场约为1.6至5.0微米接近衍射极限条件下可分辨的特征尺寸。在这种情况下光学记忆效应可以被认为是物理上可忽略的这被称为无记忆散射。现有的基于光学记忆效应的成像技术如波前整形、传输矩阵方法、全息成像等在这种无记忆散射情况下失效。因此开发能够在无光学记忆效应条件下工作的成像方法具有重要的科学价值和应用前景。3.2 研究意义1理论意义本研究将建立基于卷积光学神经网络Convolutional Optical Neural Network, ONN的无记忆散射成像理论框架。通过将卷积神经网络的概念从电子域拓展到光学域实现光速级别的并行一步卷积运算为计算成像领域提供新的理论工具。研究将揭示卷积光学神经网络在强散射环境下的特征提取机制特别是涡旋相位在边缘信息提取中的作用丰富光学神经网络的理论体系。2实践意义本研究成果可应用于多个重要领域生物医学成像实现深层组织无创成像为临床诊断提供新手段非视距成像实现拐角成像和穿透不透明遮挡物成像遥感探测穿透大气层和植被进行远距离成像光通信在复杂散射环境下实现高速光信号处理该技术的计算能力可达1.57 POPS每秒千万亿次运算具有超高速、高能效的特点在自动驾驶、机器人视觉和医学诊断等领域具有广阔应用前景。四、国内外研究现状4.1 国外研究现状国际上在散射成像和光学神经网络领域已取得重要进展。Bertolotti和Katz等在Nature Physics上发表综述系统阐述了复杂介质成像的最新进展。Feng、Freund等先驱者在1988年首次发现光学记忆效应为后续研究奠定了理论基础。近年来Katz等利用散斑相关性实现了非视距实时成像和拐角成像Mosk等发展了波前整形技术用于控制散射介质中的光场Gigan团队在基于光学记忆效应的深层组织成像方面取得突破Ruan和Yang等结合超声调制实现了动态散射介质中的荧光成像。在光学神经网络方面衍射深度神经网络Diffractive Deep Neural Network, D2NN由Ozcan团队提出通过多层衍射结构实现全光计算。然而D2NN存在层间对准要求高、特征提取能力有限等问题。本研究提出的卷积光学神经网络在傅里叶域实现卷积运算相比D2NN具有更强的特征提取能力和更高的计算效率。4.2 国内研究现状国内在散射成像和光计算领域也取得了一系列成果。上海理工大学顾敏院士团队在光学神经网络和纳米光子学方面开展了深入研究清华大学、浙江大学、华中科技大学等单位在计算成像和光信息处理方面有较好的研究基础。然而针对无记忆散射条件下的成像问题国内外研究都还处于起步阶段存在较大的研究空间。4.3 现有研究的不足现有研究存在以下不足依赖光学记忆效应现有散射成像方法大多依赖光学记忆效应在无记忆散射条件下失效计算速度慢基于电子计算的图像重建方法速度受限难以实现实时成像能量效率低传统计算成像需要光电转换能耗较高对准要求高现有光学神经网络对层间对准精度要求苛刻实际应用受限本研究旨在解决上述问题。五、研究目标与内容5.1 研究目标总体目标发展基于卷积光学神经网络的无记忆散射成像理论与方法实现无需光学记忆效应的超高速、高能效图像重建视场扩大倍数达到271倍以上。具体目标1建立多层卷积光学神经网络的物理模型实现基于傅里叶光学的光速卷积运算。具体目标2开发适用于强散射环境的神经网络训练算法实现从散斑图案到原始图像的直接重建。具体目标3构建基于空间光调制器的实验系统实现视频速率60Hz的无记忆散射成像。具体目标4实现多任务光学推理使系统能够同时处理不同类型物体的成像任务。5.2 研究内容内容1卷积光学神经网络架构设计研究三层卷积光学神经网络结构包括两个光学卷积层和一个光学全连接层。第一卷积层包含9个并行卷积核3×3阵列每个核由涡旋相位、随机相位和光栅相位组成第二卷积层分为3×3区域对应第一层的输出产生81个特征图第三层为全连接层输出重建图像。研究各层相位函数的优化设计方法。内容2基于傅里叶光学的光速卷积机制利用透镜成像原理实现光学卷积运算。透镜相位函数L(x,y)P(x,y)exp[-iπ(x²y²)/λf]中瞳函数P(x,y)的傅里叶变换对应卷积核。研究涡旋相位Vexp(ilφ)在边缘特征提取中的作用以及光栅相位G在并行化卷积中的应用。建立输出场与输入场之间的卷积关系式Uo(u,v) Ui(-u,-v) ⊗ ℱ{V(x,y)·R(x,y)·G(x,y)}内容3强散射环境下的网络训练方法采用负Pearson相关系数PCC作为损失函数训练网络在强散射条件下重建图像。使用2000组训练样本物体-散斑图案对进行训练测试样本100组。研究不同散射层数N1-5和层间距d1-5cm条件下的训练策略。目标使测试图像的PCC值达到0.90以上。内容4动态成像与多任务处理研究基于可编程空间光调制器SLM和高速CMOS相机的视频速率成像系统。实现60Hz帧率下的实时图像重建计算能力达到1.57 POPS。开发多任务推理功能通过重构第三全连接层使同一卷积层可同时处理MNIST和Fashion-MNIST数据集的成像任务。六、研究方法与技术路线6.1 研究方法理论分析方法基于傅里叶光学和衍射理论建立多层散射介质中光传播的理论模型分析光学记忆效应角相关范围与散射层数、层间距的关系推导卷积光学神经网络的数学描述。数值模拟方法采用Python/MATLAB进行光场传播的数值模拟使用TensorFlow/PyTorch实现神经网络训练算法通过数值仿真验证理论模型和优化系统参数。实验研究方法搭建基于He-Ne激光器波长632.8nm和空间光调制器的实验平台使用220目磨砂玻璃Thorlabs DG10-220-MD作为散射介质采用CMOS相机Thorlabs CS135MU采集散斑图案和重建图像开展系统性能测试和对比实验。6.2 技术路线本研究的技术路线如下第一步理论建模。建立多层散射介质的物理模型推导光学记忆效应角相关范围的表达式设计卷积光学神经网络的三层架构确定各层相位函数的形式。第二步数值仿真。编写光传播数值计算程序实现基于误差反向传播的网络训练算法优化网络参数验证成像性能。第三步实验搭建。搭建激光光源和扩束系统配置多层散射介质N1-5层d可调集成SLM和CMOS相机建立实验数据采集和处理系统。第四步系统验证。开展分类任务测试MNIST/Fashion-MNIST数据集进行散射成像实验测试动态成像和多任务处理能力对比分析不同条件下的成像质量。6.3 可行性分析理论基础扎实傅里叶光学和卷积神经网络理论已十分成熟为本研究提供了坚实的理论基础。技术条件完备课题组拥有空间光调制器、高精度光学平台、高速相机等必要设备具备开展实验研究的条件。前期工作积累导师团队在光学神经网络和计算成像领域已有深入研究发表多篇高水平论文为本课题提供了良好基础。参考文献支持近期发表在Science Advances上的相关论文已验证了该技术的可行性Zhang et al., Sci. Adv. 10, eadn2205, 2024。七、预期成果与创新点7.1 预期成果学术论文在Nature Photonics、Light: Science Applications、Optica等国际顶级期刊发表SCI论文3-5篇其中中科院一区论文2-3篇。专利申请申请国家发明专利2-3项保护核心技术。软件著作权开发卷积光学神经网络训练与仿真软件1套申请软件著作权1项。实验系统搭建无记忆散射成像实验系统1套可用于后续深入研究。博士学位论文完成高水平博士学位论文1篇。7.2 创新点理论创新首次提出基于卷积光学神经网络的无记忆散射成像理论框架突破了传统光学记忆效应对成像视场的限制将视场扩大271倍以上。方法创新将涡旋相位、随机相位和光栅相位集成到卷积核设计中实现了边缘特征提取、参数优化和并行计算的统一采用傅里叶域训练方法提高了网络收敛速度和成像质量。技术创新开发了计算能力达1.57 POPS的超高速成像系统实现了视频速率的无记忆散射成像设计了可动态重构的多任务推理架构使系统具备处理多种成像任务的能力。八、研究进度安排阶段时间主要任务第一阶段博士第1-2学期完成课程学习深入调研文献建立卷积光学神经网络的理论模型编写数值仿真程序撰写并发表综述论文1篇第二阶段博士第3-4学期搭建实验系统开展单层和多层散射成像实验优化网络参数和训练算法撰写并发表高水平研究论文1-2篇申请专利1项第三阶段博士第5-6学期实现动态成像和多任务处理功能开展复杂场景成像实验发表高水平论文1-2篇完成博士学位论文撰写和答辩九、参考文献[1] Zhang Y, Zhang Q, Yu H, et al. Memory-less scattering imaging with ultrafast convolutional optical neural networks[J]. Science Advances, 2024, 10(24): eadn2205.[2] Bertolotti J, Katz O. Imaging in complex media[J]. Nature Physics, 2022, 18: 1008-1017.[3] Feng S, Kane C, Lee P A, et al. Correlations and fluctuations of coherent wave transmission through disordered media[J]. Physical Review Letters, 1988, 61(7): 834-837.[4] Freund I, Rosenbluh M, Feng S. Memory effects in propagation of optical waves through disordered media[J]. Physical Review Letters, 1988, 61(20): 2328-2331.[5] Katz O, Small E, Silberberg Y. Looking around corners and through thin turbid layers in real time with scattered incoherent light[J]. Nature Photonics, 2012, 6(8): 549-553.[6] Bertolotti J, Van Putten E G, Blum C, et al. Non-invasive imaging through opaque scattering layers[J]. Nature, 2012, 491(7423): 232-234.[7] Mosk A P, Lagendijk A, Lerosey G, et al. Controlling waves in space and time for imaging and focusing in complex media[J]. Nature Photonics, 2012, 6(5): 283-292.[8] Gigan S. Optical microscopy aims deep[J]. Nature Photonics, 2017, 11(1): 14-16.[9] Lin X, Rivenson Y, Yardimci N T, et al. All-optical machine learning using diffractive deep neural networks[J]. Science, 2018, 361(6406): 1004-1008.[10] Gigan S. Imaging and computing with disorder[J]. Nature Physics, 2022, 18: 980-985.超级学长科研实验室简介工程光学、物理光学、智能优化算法、信号处理、图像处理、机器视觉、深度学习、神经网络等领域实验搭建与实验数据分析等程序开发、光学相关实验开展、课题选题与科研/论文指导等均可私信交流。