基于生成对抗网络的高保真人脸成像技术：克服时空去相关散斑的鲁棒性研究

这篇研究提出了一种基于生成对抗网络（GAN）的创新框架，通过U-Net生成器和多层卷积判别器的协同设计，实现了从动态散射介质（如生物组织、雾霭）的时空去相关散斑中高保真重建人脸图像。该框架突破了传统传输矩阵（TM）和深度学习网络（DNN）在介质状态变化时的性能局限，首次实现跨37小时系统停滞后仍保持成像鲁棒性，为深组织成像（deep tissue imaging）和极端环境感知提供了新范式。

　　

引言

光学成像在微观与宏观探索中具有基石地位，但在生物组织或浑浊介质（如雾、浊水）中，散射效应严重制约成像深度与分辨率。传统传输矩阵（TM）方法虽能处理静态散射，但其线性模型在介质动态变化时性能骤降。深度学习（DNN）虽能捕捉光-物质相互作用的非线性特征，却难以应对散射介质的非稳态扰动导致的散斑去相关（speckle decorrelation）。

方法

光学系统与数据采集

实验采用532 nm激光光源，通过空间光调制器（SLM）加载人脸图像（来自FFHQ数据集），经4-f系统聚焦后穿过散射介质（毛玻璃或无序超表面），最终由CMOS相机捕获散斑。为量化介质不稳定性，研究提出散斑背景皮尔逊系数（SBP），通过对比初始与实时背景散斑的相关系数，评估介质状态漂移程度。六组实验数据显示，SBP从0.8846（相对稳定）降至0.0139（完全去相关）。

网络架构设计

生成器采用复数域U-Net结构，其卷积层参数均为复数值，以更精确模拟散射过程的传输矩阵理论。输入128×128散斑经四层下采样（编码）和上采样（解码）后，输出64×64重建图像。判别器则通过六层卷积评估生成图像与真实图像的差异，采用对抗损失（L_G,adv）和图像损失（L_G,image，结合MSE与PCC）的加权优化（权重0.2:0.8），推动生成器输出逼近真实图像。

结果

非稳态毛玻璃实验

在训练时长T=30分钟（15,000样本）下，即使测试数据间隔Δt=10分钟（SBP=0.9009），重建图像PCC仍达0.9372，五官细节清晰。当介质剧烈扰动（Group 6，SBP=0.0139），T=10分钟时Δt≥10分钟会导致PCC<0.35，表明完全去相关。值得注意的是，延长训练时长可提升鲁棒性——T=30分钟时，Δt=10分钟的PCC衰减幅度较T=10分钟降低42%。

无序超表面跨日实验

以超表面为散射介质时，网络经首日3小时训练（60,000样本，SBP=0.6369）后，系统关闭37小时再重启。次日测试显示，尽管SBP波动于0.6–0.7，重建PCC仍稳定在0.82以上，首次验证了预训练网络在极端时间间隔下的有效性。

讨论

该框架的突破性在于：

1. 复数卷积：复数值U-Net比实数网络更精准模拟散射过程（对比实验见附图S4）；

2. 时空泛化：通过覆盖多状态训练数据，网络学会提取散斑本征特征，而非依赖介质固定状态；

3. 应用扩展：可适配生物组织动态散射（如血流、呼吸），或结合光学神经网络（ONN）加速处理。

结论

这项研究通过GAN框架实现了非全息散斑成像的时空鲁棒性跨越，为深组织动态监测、恶劣环境感知等场景提供了可预训练的解决方案，标志着散射介质成像从实验室静态模型向现实动态应用的关键跃迁。