无监督网络驱动散射成像方法研究进展（特邀）
摘要
基于深度学习的透过散射介质成像技术是光学计算成像领域的关键研究方向，近年来受到广泛关注。尽管有监督学习方案在该领域已取得一定进展，但在实际应用和关键技术方面仍面临诸多挑战。例如，有监督学习高度依赖精确配对的训练数据，但在复杂散射环境中获取大量精准标注的数据极为困难且不切实际。此外，由于数据样本的表征能力有限，基于监督学习的成像方案在应对非训练场景时往往表现出较差的泛化性能。为解决上述问题，基于无监督训练策略的散射介质成像方法逐渐成为研究热点，并取得了显著的研究成果。因此，本文从神经网络模型的角度出发，对基于无监督学习策略的散射介质成像方法中的各类网络框架进行分类，将现有的无监督学习驱动散射成像技术归纳为四类并加以阐述和总结，分别是基于自编码器的无监督散射成像技术、基于生成对抗网络的无监督散射成像技术、基于扩散模型的无监督散射成像技术以及基于卷积神经网络的无监督散射成像技术。针对这些成像方法，详细分析了其性能优势及存在的不足，并对基于神经网络模型的无监督散射介质成像技术的未来发展方向进行了展望。本文旨在帮助研究人员了解各类无监督散射介质成像技术的原理与最新进展，明确不同技术的特点及其适用场景，从而推动散射介质成像技术的工程化应用进程。
引用本文（GB/T 7714）
乔龙宇 Qiao Longyu, 林冰 Lin Bing, 樊学强 Fan Xueqiang, 等. 无监督网络驱动散射成像方法研究进展（特邀）[J]. Laser & Optoelectronics Progress, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。