傳統光學成像系統的空間/角分辨率受限于阿貝-瑞利衍射極限，而在此限制下，一般通過增大成像系統數值孔徑或有效口徑來提高空間/角分辨率。然而，成像發展到現階段，增大數值孔徑或有效口徑在實現成本及難度上均已是挑戰。而超分辨成像技術為獲得超衍射極限成像提供了可能。

近日，中國科學院國家天文臺南京天文光學技術研究所研究員何晉平團隊在超衍射極限成像技術研究方面取得新進展。該團隊基于外接孔徑調制子系統及深度學習方法，以原光學成像系統的實像面作為輸入，不改變原有系統結構，調節位于孔徑光闌平面的電動可變光闌，快速采集訓練所需的低分辨率（low-resolution，LR）到高分辨率（high-resolution，HR）圖像對，并以訓練好的深度學習網絡將HR圖像作為輸入，快速外推出超出衍射極限的超分辨率（super-resolution，SR）圖像。相關研究結果發表在Optics Express上，并申請國家發明專利。至此，該團隊基于孔徑調制已提出三種新型超分辨成像方法：“孔徑調制 + 光強外推”【Sci. Rep. 8, 15216(2018)】、“孔徑調制 + 圖像迭代重構”【J. Opt. 23, 015701(2021)】及本工作方法“孔徑調制 + 深度學習”。

圖1.實驗裝置示意圖（EAMS：external aperture modulation subsystem）

該方法無須更改原有成像系統結構，只需添加一個可變光闌或孔徑調制子系統即可實現調制功能，結構簡單且緊湊，造價低。在數據訓練方面，相對于常用的“端對端”訓練策略，增加一個“標簽數據”可以進一步提高深度學習網絡的分辨率增強能力和圖像保真度。相比迭代式最優化SR算法，基于深度學習的SR方法可以提供訓練好的非迭代式重建工具，從而實現快速的分辨率增強，且無須估計點擴散函數（PSF）或對成像過程進行數值建模。

圖2.稀疏點源目標的超衍射極限成像結果對比。

（a）衍射極限下的HR圖像、（b）3倍理論SR圖像、（c）2孔徑訓練策略SR外推結果、（d）3孔徑訓練策略SR外推結果、（e）和（f）為相應的2.2倍和2.7倍SR時的橫截線對比圖。0.735為Rayleigh criterion下歸一化鞍點強度

圖3.對玉米種子切片成像的對比結果。（a）3孔徑訓練策略SR外推結果、（b）-（m）不同ROI（range of interest）的成像效果放大對比圖。（n）和（o）為兩個特征白點和黑點的橫截線對比圖。（i）和（j）中的黃色箭頭指向一些原本模糊的間隙和形狀，這些間隙和形狀通過訓練好的dpcCARTs-NET變得更清晰

為驗證該方法在復雜物體成像方面的能力，研究團隊與南京林業大學、上海交通大學合作，開展了生物樣品SR成像方面的實驗研究工作。圖3給出了對玉米種子切片成像的對比結果。與衍射受限的HR輸入相比，dpcCARTs-NET的外推SR輸出在分辨率和對比度方面均有明顯提高，且使用3孔徑調制策略訓練的dpcCARTs-NET的SR性能優于2孔徑調制策略，分辨率增強能力接近1.5倍。外推SR圖像提供了更清晰的生物結構信息，有助于進一步剖析樣品的生物學信息，如評估淀粉含量。

當前，該團隊正在將相關方法應用于大視場天文成像中，有望以較低代價實現超高分辨天文成像，并為將來開展智能天文儀器設計和智能天文數據處理算法研究提供參考。研究工作得到國家自然科學基金青年科學項目、面上項目及重點項目的資助。