人工智能学院黄华教授与合作团队在Nature子刊发表综述
计算光学通过引入计算赋能光学系统，突破传统光学在感知维度、光通量、分辨率等方面的局限。光学编码与计算解码的协同作用，为生物医学、天文观测、农业监测等领域提供了增强的成像与感知能力。过去十年人工智能的跨越式发展，特别是深度学习技术，进一步提升了计算光学的精度与效率。近年来兴起的端到端联合优化技术，将光学编码过程数字化孪生为神经网络层，实现与解码过程的同步优化，其性能显著超越传统方法。然而，从优化后的编码参数逆向映射至物理调制元件的"物理孪生"过程，因存在比特深度、数值范围与稳定性等方面的差异鸿沟，面临严峻挑战。本综述系统探讨数字孪生模型中空间、相位、光谱等多维光学调制元件的适配性，针对不同成像/感知任务对精度、速度、鲁棒性的差异化需求，提出调制元件的优选策略。相关分析为攻克物理孪生瓶颈、推动下一代计算光学发展提供理论指引。
图1.计算光学的历史演进，横轴表示时间，纵轴表征研究进展。
(a基础光学公式；b反向传播概念；c卷积神经网络发展历程；d计算成像框架；e基于深度学习的计算重建技术；f光学系统与图像处理的端到端联合优化；g物理孪生流程示例。)
综述以“Physical twinning for joint encoding-decoding optimization in computational optics: a review”为题发表在Nature子刊《Light: Science & Applications》（IF=20.6）。论文的通讯作者包括北京师范大学人工智能学院黄华教授、北京理工大学张军院士和边丽蘅教授。
这项工作得到了国家自然科学基金委重点项目的经费支持。
