清华大学提出神经光瞳工程傅里叶叠层成像技术实现大视场高分辨率显微成像突破

    在科研与医疗领域，显微镜的大视场观测与高分辨率成像需求长期存在相互制约的技术矛盾。当观测视场扩大时，边缘区域易出现图像失真、细节模糊等问题，严重影响后续分析与应用。清华大学曹良才课题组提出的神经光瞳工程傅里叶叠层成像（NePEFPM）新方法，成功破解这一技术瓶颈，为大视场高分辨率显微成像提供了创新性解决方案。相关研究成果发表于国际权威期刊《Optica》。

    传统成像技术的核心技术瓶颈
    传统傅里叶叠层成像（FPM）技术以光瞳在频率空间位置固定为基本假设，该设定在小视场中心区域可满足成像需求，但在大视场边缘区域，光路偏移导致固定光瞳无法有效捕捉高频信息，进而引发重建图像伪影、细节模糊等问题。这一技术局限长期制约着数字病理分析、活细胞动态观测、工业精密检测等领域对大视场高分辨率成像的实际需求。

    NePEFPM技术的核心创新与技术优势
    NePEFPM技术的核心突破在于构建动态优化的“智能光瞳”，替代传统固定光瞳结构，从原理上解决边缘视场像差校正问题，同时通过技术优化实现成像效率的大幅提升。
    1.隐式神经表征重构光瞳函数模型
    课题组摒弃传统基于像素的光瞳函数模型及相干传递函数约束，采用“哈希表+神经网络”构成的隐式神经表征模型。该模型允许光瞳函数在傅里叶面动态调整空间位置，可根据视场不同区域的成像特性，自适应捕捉易丢失的重建信息，实现对边缘视场像差的精准校正，保障全视场成像分辨率的均匀性。
    2.多尺度哈希编码提升表征效率
    为解决隐式神经表征的效率问题，团队研发多尺度哈希编码技术。通过将图像平面划分为N×N网格（N=3），依据目标位置坐标确定其所在网格的四个顶点索引，查询哈希表获取对应特征向量并进行插值处理，生成目标位置特征向量后输入浅层全连接网络（2层隐藏层，每层64个神经元）解码，得到光瞳函数复振幅。相较于传统正弦位置编码的隐式神经表征（5层隐藏层，每层256个神经元），该技术显著提升了表征效率与精度。
    3.GPU并行计算实现高效成像重建
    团队将多尺度哈希表与基于CUDA的FPM重建过程深度融合，并接入MATLAB自动微分框架，构建高度优化的GPU并行计算方案。在RTX3090显卡支持下，重建一张2048×2048像素的图像仅需0.3秒，较传统CPU计算速度提升15倍以上，为技术的临床转化与高通量筛查应用奠定了基础。

    实验验证与技术性能表现
    课题组通过多项实验与主流算法进行对比验证，充分彰显了NePEFPM技术的综合优势：
    组织切片观测中，传统特征域FPM算法重建的边缘区域存在模糊伪影，而NePEFPM技术可清晰呈现单个细胞的形态结构，图像对比度与细节辨识度显著提升；
    在含相位曲率的公开数据集（USAF分辨率板）测试中，主流PIE系列算法因无法适配相位曲率影响，难以实现有效重建，而NePEFPM技术成功重建出清晰的振幅与相位图像，条纹规整、边界锐利；
    定量相位成像中，采用“双隐式神经表征”模型分别建模样本与光瞳函数，以正弦函数作为激活函数，实现了背景均匀、对比度高且无阶梯伪影的高质量相位恢复，为无色透明生物细胞观测提供了关键技术支撑。
    该技术在4×/0.1NA物镜条件下，实现了11mm²视场内1149lp/mm的均匀分辨率，彻底解决了传统FPM技术边缘视场重建质量下降的核心问题。

    应用前景与未来发展方向
    NePEFPM技术为大视场高分辨率成像提供了全新技术路径，在数字病理切片分析、活细胞动态观测、工业精密检测等多个领域具有广泛的应用前景与转化价值。未来，该技术将重点向两大方向推进：一是实现光瞳模型从2D频率空间向包含空间与频率信息的4D模型进化，更精准地建模全视场像差变化；二是依托GPU硬件迭代升级，进一步提升重建速度，预计可实现60%的性能提升，强化技术的实际应用效能。
    本研究由清华大学作为第一完成单位，张书赫博士后为第一作者，曹良才教授为通讯作者，研究工作得到国家自然科学基金项目支持。相关程序与实验数据已在GitHub平台公开，为领域内后续研究与技术推广提供了重要基础。