《Laser & Photonics Reviews》：Interleaved Diffractive Networks for Information Transfer Through Random Diffusers
编辑推荐：
通过随机散射体传输光学信息是一项关键且富有挑战性的任务。研究人员引入了一种级联衍射光学网络，用于通过随机且未知的散射体进行信息传输，该网络通过被动结构化层物理交错嵌入散射介质内部实现。这些交错衍射层经过优化以减轻散射过程，且无需数字计算。研究人员将该全光学系统
通过随机散射体传输光学信息是一项关键且富有挑战性的任务。研究人员引入了一种级联衍射光学网络，用于通过随机且未知的散射体进行信息传输，该网络通过被动结构化层物理交错嵌入散射介质内部实现。这些交错衍射层经过优化以减轻散射过程，且无需数字计算。研究人员将该全光学系统的性能量化为多个物理参数的函数，包括衍射处理器深度、衍射层的物理布局以及散射介质的统计特性。为进一步增强通过散射介质进行信息传输的性能与鲁棒性，研究人员还开发了一种混合（光学-数字）系统，将衍射处理器与联合训练的数字神经网络耦合，结果表明即使在输入物体信息受到未知随机旋转、平移和缩放时，仍可实现更高的重建保真度。研究人员还利用可见光谱中制备的多层衍射系统对该系统进行了实验验证，展示了通过随机散射层进行可靠信息恢复的能力。研究人员的数值和实验结果表明，交错衍射处理器能够恢复体扩散介质中的光学信息，可应用于生物医学成像、电信和遥感等领域。
研究背景与问题阐述
成像或通过体散射介质（如生物组织或大气雾）传输信息是光学科学中长期存在的重要挑战。当光在此类复杂介质中传播时，会发生多次散射事件，这些事件扰乱波前，破坏空间信息，将清晰图像坍塌成看似随机的散斑图案。克服这一根本限制对于深层组织成像、遥感和水下导航等诸多应用至关重要。当散射介质的传输矩阵已知时，计算方法原则上可以恢复原始图像，但在实际中准确且定期测量这一不断演变的传输矩阵往往不可行。其他方法如波前整形和自适应光学虽能提供有力解决方案，但常受限于其对复杂主动反馈系统的依赖、较慢的操作速度以及有限的视场。各种新兴的通过数字处理结果散斑图案的计算方法也可用于恢复隐藏信息，然而这些方法本质上受限于数据采集/传输的延迟、数字处理的延迟以及数字计算的功耗，这对于需要低延迟和低功耗信息恢复的实时应用而言可能是禁止性的。
研究内容、结论与意义
研究人员提出了一种交错衍射光学网络，利用一系列被动结构化层全光学地通过复杂体扩散器传输信息。该网络的可训练衍射层通过深度学习优化，物理交错嵌入随机散射介质内部，信息恢复过程纯粹在光学域中通过散射场在衍射处理器内的传播完成。研究人员通过多种数值模型证明了该框架的有效性，系统分析了关键物理参数的影响，包括衍射网络深度、随机散射介质的统计特性以及衍射层的物理布局。数值盲测结果验证了该方法的可行性，衍射网络能够一致地恢复被随机未知体扩散器遮挡的任意选择未见物体信息。此外，研究人员设计了一种混合光学-数字系统用于通过体扩散器进行光学信息传输，并评估其在各种条件下的鲁棒性，包括输入物体的随机旋转、平移和缩放，确认了混合模型对此类未知输入变化的鲁棒性能。除数值分析外，研究人员还利用可见光下制备的多层衍射系统进行了实验验证，成功展示了通过随机扩散器的信息恢复。该研究发表在《Laser》期刊。
主要技术方法
研究人员采用基于角谱法的自由空间传播模型进行数值设计与训练；使用MNIST手写数字数据集作为训练数据，以皮尔逊相关系数（PCC）作为优化目标；构建了多种衍射网络架构进行系统比较，包括交错架构与非交错基线设计；开发了混合光学-数字系统，将全光学衍射处理器与紧凑的三级U-Net数字神经网络联合训练；采用双光子聚合光刻技术制备多层衍射结构，实现了两优化衍射层与两随机相位扩散器的交错堆叠；实验系统采用空间光调制器（SLM）作为输入，CMOS相机采集输出强度分布，并通过原位迁移学习适应实验条件。
研究结果
2.1 基于交错衍射网络的散射体成像
研究人员构建了交错衍射光学网络用于重建被体扩散器遮挡的物体。该网络在随机相位扩散器平面之间插入可训练衍射层，旨在逐步校正散射波前。训练中使用手写数字作为幅度输入对象，每个训练周期引入随机扩散器以增强泛化能力。优化后的衍射层呈现复杂的微米透镜状相位结构，有助于图像形成，而周围空间相位特征有助于将随机扩散器引起的空间失真能量耦合到输出视场之外。研究比较了交错架构与非交错基线设计，结果显示交错架构能一致地保持物体全局结构，产生更清晰的数字笔划和更干净的光栅分离，而非交错设计导致明显的散斑图案和结构损失。这表明在散射体积内分布优化衍射层能够实现渐进式失真校正，显著提高对随机扩散器变化的鲁棒性。
2.2 优化衍射层数量的影响
研究人员通过改变每个扩散器单元内衍射层数量K来研究衍射网络深度对成像性能的影响。定量结果表明，对于已知和未见测试扩散器，图像重建保真度随K从2增加到5而单调提升。最显著的性能提升发生在K从2增加到3时。在未经训练的测试扩散器上取得的可比性能证明了衍射网络的泛化能力，表明其学习的是光通过散射介质传播的基本物理原理，而非仅仅记忆特定示例。增加模型容量增强了网络对体随机散射的鲁棒性。
2.3 扩散器深度与统计特性的影响
研究人员从两个角度评估了随机扩散器特性对处理器性能的影响。首先，通过改变扩散器单元数量N评估散射厚度，结果显示存在一个权衡：初始时性能随N从2增加到3而略有提升，可归因于体积内优化衍射层总数的相应增加；但当N进一步增加时，图像重建保真度下降，表明超过某一点后，额外随机散射引入的失真超过了新增衍射层的校正能力。其次，研究了扩散器相关长度l_c（表征散射特征平均"粒度"的参数，较大相关长度对应较弱散射效应）的影响，结果确认重建保真度随相关长度从7.5μm增加到15μm而单调提升。研究还发现，用较弱扩散器训练的模型在移除扩散器后性能更高，表明优化过程中存在权衡：散射较弱时更多自由度用于图像重建任务，散射较强时更多容量必须用于滤除失真。
2.4 连续衍射层之间轴向间距的影响
研究人员研究了连续平面之间轴向间距d对网络整体性能的影响。结果表明图像重建保真度对该距离敏感：最小间距（6.7μm）时输出PCC最高，中间距离显著下降，超过20μm后趋于平稳。最紧凑网络产生的图像最清晰、质量最高，层间距增大时输出图像逐渐变得更嘈杂并丢失结构细节。这表明更紧凑的衍射网络具有更大的有效数值孔径，在操纵光波前以校正体散射介质引起的随机失真方面更为有效。
2.5 用于增强图像重建性能的混合光学-数字系统
研究人员实现了混合光学-数字系统以进一步提升通过体扩散器的信息传输保真度。该架构利用全光学衍射处理器对散射光进行模拟预处理，在相机平面形成中间图像，然后输入联合训练的数字神经网络进行最终数字处理和图像重建。在具有4个随机扩散器单元的挑战性配置中，全光学衍射解决方案单独无法在输出平面产生清晰图像，而混合模型通过数字网络的去噪能力实现了显著更干净的最终输出。此外，对从未见过的输入数字施加随机旋转、平移和缩放等扰动时，混合系统仍能成功恢复核心信息并产生高保真图像重建，证明了模拟和数字处理协同作用创建的鲁棒高效信息传输通道。
2.6 交错衍射网络的实验验证
研究人员制备并训练了由两层衍射层与两层随机相位扩散器交错组成的系统进行实验验证。在计算训练阶段，光学衍射层和数字神经网络后端使用数千个不同随机相位扩散器进行联合优化。收敛后，包括优化衍射相位剖面和全新随机相位扩散器在内的整个结构通过双光子聚合光刻制备成单片四层堆叠。
实验采用空间光调制器显示输入对象测试图案，光投影到制备的四层结构上，相机捕获输出强度分布。尽管制造和校准仔细，由于模型不匹配、制造公差和缺陷，模拟与实验之间仍存在差异。预训练数字后端直接应用于实验测量时重建质量明显退化，突显了数值训练与物理实现之间的差距。为此，2000次实验测量被划分为不同比例的训练和测试子集，数字后端通过原位迁移学习进行适应，而光学衍射层保持物理固定。
优化衍射层配置在所有测试训练集大小下均一致地比随机掩模基线实现更低的测试损失和更好的成像性能。随着训练样本减少，两种配置的测试损失逐渐增加，但优化衍射层与随机掩模基线之间的性能差距变得更加明显。优化衍射系统实验上产生的重建更紧密匹配目标图像并保持完整物体结构，而随机掩模配置产生了更明显的结构退化，尤其在训练样本有限时。
讨论总结
研究人员引入的交错衍射处理器通过将优化层物理交错嵌入随机散射介质内部，使被动全光学处理器学会反转多次散射效应并恢复隐藏信息。这种架构使光学网络能够在传播过程中逐步校正光学波前，而非试图在输出平面数字重建高度失真的场。系统性能对不同物理参数进行了系统表征。与联合训练的数字神经网络集成可显著增强系统性能和输入变化的鲁棒性。实验使用制备的多层衍射系统验证了概念，测量结果证实了复杂随机散射条件下可靠的信息恢复，证明了交错优化衍射层在散射介质内实现结构化光学补偿的物理可行性。
与先前将结构优化衍射层置于随机扩散器后的工作不同，该方法将优化衍射层物理交错嵌入散射介质本身，实现了通过体扩散器传播期间的渐进补偿。未来方向包括扩展至显式时变散射介质、动态更新相位屏等物理现实的时变变化，以及将框架扩展至多光谱或偏振敏感模态，或结合混合架构用于实时、高能效光学信息处理。该方法在紧凑成像系统、内窥镜或组织穿透成像以及动态散射介质视觉等方面具有应用前景。
研究结论
交错衍射处理器能够实现通过体扩散介质的高保真信息传输。通过将优化层交错嵌入随机散射介质内部，被动全光学处理器能够反转多次散射效应并恢复隐藏信息。该框架对网络深度、层物理间距和散射介质统计特性等关键物理参数进行了系统表征。混合光学-数字系统通过联合训练显著增强了性能和输入变化的鲁棒性。实验验证证实了复杂随机散射条件下可靠的信息恢复能力，证明了交错优化衍射层在散射介质内实现结构化光学补偿的物理可行性。该技术可应用于生物医学成像、遥感和自由空间通信等领域。
