深度学习 (DL) 极大地改变了计算成像领域，提供了强大的解决方案来提高性能并应对各种挑战。传统方法通常依赖于离散像素表示，这会限制分辨率并且无法捕捉物理对象的连续性和多尺度特性。波士顿大学 (BU) 最近的研究提出了一种克服这些限制的新方法。

据《Advanced Photonics Nexus》报道，波士顿大学计算成像系统实验室的研究人员引入了局部条件神经场 (LCNF) 网络，用于解决这一问题。他们的可扩展且可推广的 LCNF 系统被称为“神经相位检索”——简称“NeuPh”。

NeuPh 利用先进的 DL 技术从低分辨率测量中重建高分辨率相位信息。该方法采用基于卷积神经网络 (CNN) 的编码器将捕获的图像压缩为紧凑的潜在空间表示。

然后，接下来是基于多层感知器 (MLP) 的解码器，该解码器重建高分辨率相位值，从而有效地捕获多尺度对象信息。通过这样做，NeuPh 提供了强大的分辨率增强功能，并且优于传统的基于物理模型的方法和当前最先进的神经网络。

报告结果突出了 NeuPh 将连续且平滑的物体先验应用于重建的能力，与现有模型相比，其结果更加准确。研究人员使用实验数据集证明，NeuPh 可以准确重建复杂的亚细胞结构，消除常见的伪影(例如残余相位展开误差、噪声和背景伪影)，并且即使在训练数据有限或不完善的情况下也能保持高精度。

NeuPh 还表现出强大的泛化能力。在使用非常有限的数据或不同的实验条件下进行训练时，它始终能够执行高分辨率重建。通过在物理模型模拟数据集上进行训练，这种适应性得到进一步增强，这使得 NeuPh 能够很好地推广到真实的实验数据。

据首席研究员王浩介绍，“我们还探索了一种结合实验和模拟数据集的混合训练策略，强调了在模拟和真实实验之间协调数据分布的重要性，以确保有效的网络训练。”

王补充道：“NeuPh 促进了‘超分辨率’重建，超越了输入测量的衍射极限。通过在训练过程中利用‘超分辨率’潜在信息，NeuPh 可以从低分辨率强度图像中实现可扩展和可推广的高分辨率图像重建，适用于具有不同空间尺度和分辨率的各种物体。”

NeuPh 作为一种可扩展、稳健、准确且可推广的相位检索解决方案，为基于 DL 的计算成像技术开辟了新的可能性。