基于物理的学习设计：面向定量相位成像的优化编码照明

编码照明能够以最小的硬件需求对透明样品进行定量相位显微成像。以不同光源图案捕获强度图像，并通过非线性相位恢复优化重建图像。处理的非线性本质使得优化照明图案设计变得复杂。传统的实验设计技术（如条件数优化、谱分析）仅考虑线性测量形成模型与线性重建。深度神经网络（DNNs）可高效表示非线性过程，并能在端到端框架中通过训练进行优化。然而，DNNs 通常需要大量训练样本与参数来恰当学习相位恢复过程，且未利用已知的物理模型。在此，我们旨在将物理知识与机器学习能力结合。我们提出了一种数据驱动的新方法，针对给定的相位重建算法优化 LED 阵列显微镜的编码照明图案。我们的方法将测量方案的物理机制与重建算法的非线性同时纳入设计问题。这实现了高效的参数化，使我们仅需少量训练样本即可学习到在实验环境中无需重新训练便能良好泛化的设计。我们展示了针对基于稀疏性的相位重建算法优化编码照明图案下，对特征良好的相位靶标和小鼠成纤维细胞的实验结果。我们使用 2 次测量所学到的设计结果与使用 69 次测量的傅里叶叠层成像具有相近精度。