《Optics & Laser Technology》：SCPC-Net: Physics-informed spatial contrast and phase correction for imaging through dynamic scattering media
编辑推荐：
本研究提出了一种物理信息引导的预处理框架（SCPC-Net），用于实现穿过动态散射介质的成像。一种两阶段处理管线（LCEU + FPCU）被用于校正照明偏置并稳定相位畸变。在较宽的脱脂牛奶体积范围（60–120 ml）内实现了可靠的图像恢复。混合条件训练使得模
本研究提出了一种物理信息引导的预处理框架（SCPC-Net），用于实现穿过动态散射介质的成像。一种两阶段处理管线（LCEU + FPCU）被用于校正照明偏置并稳定相位畸变。在较宽的脱脂牛奶体积范围（60–120 ml）内实现了可靠的图像恢复。混合条件训练使得模型在不同散射强度下均能保持一致的性能。实验验证表明，该框架在结构相似性指数（SSIM）、峰值信噪比（PSNR）、平均绝对误差（MAE）和皮尔逊相关系数（PCC）方面均取得了性能提升。
**研究背景、问题与意义**
高保真地穿过动态散射介质恢复图像一直是光学物理和光学成像领域最具挑战性的前沿问题之一。当相干光或部分相干光穿过生物组织、雾或湍流水等非均匀结构时，无数随机散射事件会扰乱光学波前，产生看似随机的散斑图案，从而完全掩盖物体的可识别特征。这种确定性光传输的失效从根本上限制了在复杂环境中进行原位可视化和探测的能力，其影响涵盖生物医学诊断、环境监测、遥感和水下勘探等多个领域。
问题的核心在于多重散射本质上具有高维随机性。每次散射事件同时扰动波前的振幅和相位，经过足够的光学深度后，从物体场到探测强度的映射实际上变为随机过程。因此，依赖稳定可逆前向模型的传统成像架构不再适用。从仅含强度的散斑测量中恢复物体成为严重病态的逆问题，其解空间被非线性、模糊性和快速时间去相关所主导。
为克服这一障碍，已有研究沿两条互补路径展开。物理驱动策略显式建模或操纵散射过程：基于标定的方法如传输矩阵（TM）法需要严格标定且对微米级扰动极其敏感，难以用于动态或生物环境；利用不变性的技术如散斑相关和记忆效应方法在光学厚度增加时效果迅速衰减；波前整形等主动补偿方法需要迭代反馈，无法跟上活体组织或湍流介质的去相关速度。数据驱动策略特别是深度学习（DL）通过学习大规模配对数据中的复杂非线性映射，无需显式物理模型即可隐式地反转散射过程，但网络对散射条件变化极为敏感，在一种散射条件下训练的网络在另一种条件下通常失效。为弥合这一差距，物理信息神经网络（PINN）和适配器增强扩散模型（ADM）等方法被引入，但其迭代性质带来显著计算开销。因此，亟需一种确定性的物理信息归一化方法，在不产生迭代采样成本的前提下稳定输入空间。
**研究内容与主要结论**
针对上述问题，研究人员提出了一种新颖的两阶段物理感知深度学习框架——空间对比度与相位校正网络（SCPC-Net），旨在增强动态散射条件下的成像稳定性。核心思想是将问题解耦：不再强制单个神经网络同时学习不变物体特征和高度可变的散射变换，而是引入一个前端两阶段物理信息预处理模块，显式针对并缓解退化和变异的主要物理来源，即低频照明偏置和散斑强度图案中体现的相位诱导畸变，从而产生归一化的、条件不变的中级表示。该稳定化表示随后由下游深度学习模型处理以完成最终重建。
研究构建了受控光学散射实验平台，使用635 nm激光器照射相位型空间光调制器（SLM）显示目标灰度图像，散射介质为装有3.5 L水的透明丙烯酸槽，通过1250 RPM持续搅拌并添加60至120 ml脱脂牛奶来调节有效散射强度。数据集包含4100对图像，涵盖MNIST/EMNIST手写数字和复杂真实物体。为系统评估，研究人员设计了三种实验：每条件训练（实验1）建立各散射条件下的性能上限；单条件训练（实验2）评估在80 ml条件下训练的模型对未见散射条件的泛化能力；混合条件训练（实验3）用所有散射条件的等量数据训练，检验是否能获得普适模型。核心贡献包括：提出SCPC-Net混合物理-DL框架，识别并显式处理低频主导和相位去相关两种退化机制；引入非学习的LCEU+FPCU两阶段预处理管线作为域归一化器；证明SCPC-Net能使模型从单一散射条件泛化到广泛的未见条件。
**主要技术方法**
研究人员搭建了动态散射光学成像系统进行数据采集：635 nm相干激光经扩束、偏振和分束后，经相位型SLM（Holoeye PLUTO）加载目标图像，透射光穿过装有3.5 L水的丙烯酸槽（10.0 cm × 20.0 cm × 40.0 cm），槽内以1250 RPM持续搅拌并加入60–120 ml脱脂牛奶形成动态散射，由科学CMOS相机（FLIR BFS-U3-123S6CC）在距槽出口10 cm处采集散斑，共采集4100对图像（含MNIST/EMNIST手写数字和真实物体）。预处理管线包括两个确定性模块：低频补偿增强单元（LCEU）采用同态滤波（HF）归一化照明并结合自适应直方图均衡化（AHE）增强局部对比度；傅里叶相位校正单元（FPCU）对图像频谱二维相位解包裹，稳定相位畸变。最终重建网络采用U型网络（U-Net）架构，使用均方误差（MSE）与负皮尔逊相关系数（NPCC）组合损失函数，采用Adam优化器，初始学习率10
?3，训练50轮。
**主要研究结果**
**每条件训练结果：** 通过将模型分别针对7个散射条件（60–120 ml牛奶体积）进行专门训练和测试，建立了各条件下的性能上限。结果表明，在较低牛奶体积（60–80 ml）下重建质量高，能清晰恢复物体细节；随着散射强度增加，性能渐进下降而非急剧恶化。在60 ml条件下，结构相似性指数（SSIM）达到0.981以上，峰值信噪比（PSNR）超过34.046 dB；即使在120 ml极端散射条件下，SSIM约为0.868，PSNR约23.655 dB，皮尔逊相关系数（PCC）仍保持0.779以上，证明有效信息足以实现有意义的图像恢复。
**跨条件泛化与性能：** 通过单条件训练实验（模型仅用80 ml数据训练），评估了未见散射条件下的泛化行为。结果显示存在±10 ml的有效操作窗口（70–90 ml），在该窗口内泛化性能稳定：SSIM为0.871和0.904，PSNR为24.141 dB和26.205 dB，PCC为0.742和0.878。超出此窗口后性能呈现优雅退化而非灾难性失败：在60 ml时SSIM降至0.685，PSNR降至17.186 dB；在120 ml时SSIM降至0.516，PSNR降至7.544 dB。单条件模型与每条件上限之间的性能差距量化了跨条件泛化代价，在训练条件处差距最小，偏离越远差距越大。对未见物体的重建分析表明，框架不仅恢复空间结构，还保持准确的全局强度分布——重建图像与真实图像的强度直方图高度相似。
**混合条件泛化：** 混合条件训练策略使用所有散射条件的等量数据训练单一模型。结果表明，混合训练模型在60–120 ml全部范围内保持显著稳定的高性能重建，有效消除了跨条件性能差距。在90 ml处PSNR从单条件模型的24.141 dB提升至26.02 dB，PCC从0.742提升至0.799；在120 ml处PSNR从7.544 dB提升至22.118 dB以上，PCC从0.189提升至0.664。对于SSIM和平均绝对误差（MAE）也观察到一致的改善趋势，证明混合条件训练结合物理信息预处理能实现真正稳定的跨散射条件成像。
**动态散射的频谱行为与LCEU响应：** 通过对原始散斑数据的频谱分析，研究人员发现增加散射强度会重新分配不同空间频带的频谱能量：低频、中频和高频带的归一化径向频率范围分别定义为0 < ??/??
max ≤ 0.15、0.15 < ??/??
max ≤ 0.45和??/??
max > 0.45。径向傅里叶能量分布显示更强散射产生更宽的频谱尾部，反映更复杂的散斑波动和更广泛的空间频率内容再分布。局部均方根（RMS）对比度分析表明，LCEU的两阶段处理以互补方式起作用：同态滤波补偿低频背景变化，自适应直方图均衡化改善残余局部结构的可见性。在同态低通假设方面，在动态多重散射条件下低频分量不仅包含照明相关变化，还包含散射诱导波动，因此LCEU的作用是补偿主要低频强度变化并增强残余局部对比度，而非解释散射引起的每一个频谱变化。
**物理信息增强管线的表征：** 对两阶段预处理管线的中间输出分析显示：LCEU处理后直方图分布显著扩展，表明信干比（SIR）提升和更均衡的强度范围；FPCU处理后的傅里叶相位图比包裹相位更平滑有序，证实相位解包裹有效抑制了频谱包裹引入的相位不规则性；FPCU处理前后强度直方图保持稳定，证明相位校正不会损害LCEU的对比度增强效果。频谱幅度和线强度分布显示预处理输出具有更清晰的频谱组织和更锐利的强度转变，为后续重建提供了更稳定的输入表示。
**消融研究：** 为量化各组件贡献，研究人员比较了四种配置：仅深度神经网络（DNN）基线、FPCU+DNN、LCEU+DNN和完整SCPC-Net（LCEU+FPCU+DNN）。仅DNN基线在80 ml测试集上SSIM为0.9180、PSNR为30.0198 dB、MAE为0.01926、PCC为0.9648；仅添加FPCU带来边际改善但局部结构指标略降，说明单独的相位正则化不足以稳定局部结构；LCEU+DNN在PSNR（31.5909 dB）和MAE（0.01662）上获得更大幅度提升，凸显对比度增强和照明归一化的关键作用；完整SCPC-Net在所有指标上达到最优（SSIM 0.9701、PSNR 32.5979 dB、MAE 0.01124、PCC 0.9719），证实两个预处理单元针对互补的物理退化机制。直方图分析显示两阶段管线有效归一化了不同散射条件下散斑图的统计分布，减少了分布偏移。
**与现有学习方法的比较：** 将SCPC-Net与四种代表性学习方法在相同80 ml数据集和训练/测试划分下进行比较：水下成像的PI-Unet、动态非均匀散射成像的DescatterNet、物理信息散斑相关成像框架DeepSCI以及面向变化复合散射介质的ScatResUNet。SCPC-Net在所有指标上均取得最佳性能，SSIM 0.9701、PSNR 32.5979 dB、MAE 0.01124、PCC 0.9719，展现出在密集动态散射成像任务中的竞争力。
**讨论与结论**
讨论部分指出，SCPC-Net通过物理预处理与数据驱动学习的原理性整合解决了散射介质中成像不稳定的根本挑战。每条件结果确立了物理散射过程施加的基本性能极限，120 ml条件下仍能获得可识别的重建物体，验证了计算散射成像的核心前提。跨条件结果揭示了单条件训练模型的实用局限性：虽然±10 ml的有效窗口能覆盖许多实际环境变化，但极端条件需要模型适应。混合条件训练是最重要的成果，表明接触多样化散射统计量可使模型学习到真正稳健的映射，性能近乎平坦的曲线证明物理信息预处理有效归一化了输入统计量。消融研究证明强度域和傅里叶相位校正的互补贡献对最优性能至关重要。从更广泛视角看，SCPC-Net体现了混合物理-机器学习在计算成像领域的有前景范式——通过确定性预处理显式处理最可变的物理因素，减轻学习组件的负担并提高变化物理条件下的重建稳定性。
研究结论指出：本研究提出了SCPC-Net，一种用于解决动态散射介质中关键成像不稳定性挑战的新型物理信息深度学习框架。核心创新在于由LCEU和FPCU组成的两阶段预处理管线，两者共同作为通用域归一化器，显式处理低频照明偏置和非线性相位畸变这两个主要物理退化来源。通过使用不同脱脂牛奶体积的动态散射装置进行的全面实验验证表明：框架在训练条件下对未见物体实现高保真重建；单条件训练时在±10 ml变化范围内保持有效性能，超出操作窗口后表现优雅退化；通过混合条件训练，框架在60、70、80、90、100、110和120 ml的整个实验范围内实现稳定高质量重建，有效消除了传统深度学习方法在散射成像中难以克服的泛化差距。系统性消融研究证实了两个预处理组件的协同贡献，完整SCPC-Net相比基线在PSNR上提升8.6%，SSIM提升5.7%，MAE降低42%，验证了学习前显式物理归一化通过减少不同散射条件间的统计分布偏移而实现更有效特征提取和映射的假设。该混合物理-深度学习范式有望应用于湍流校正、水下成像和生物医学表征等领域。
