由加州大学洛杉矶分校和罗切斯特大学领导的研究团队展示了一种成像系统的有前景演进，旨在捕捉“复杂介质”中的细节，这些介质散射光线，从描绘体组织内部结构到在浓雾中观察障碍物。该系统利用基于物理的机器学习改进现有的成像技术。

在使用被复杂介质遮挡的标准校准图像测试中，新系统的信噪比上一代技术翻倍多。该系统还能以近乎实时的速度生成图像——千分之一秒。研究成果发表在《光：科学与应用》期刊上。

更便宜的相机，更恶劣的环境

如今，传统应用在复杂介质内部观察依赖昂贵的相机，这些相机能探测可见光极限之外的近红外区域。

相比之下，研究人员改进的底层方法可以使用相对便宜的硅基相机，比如智能手机上的相机。该技术由罗切斯特大学的研究合作者十年前提出，依赖一种特殊的薄膜，使部分光子通过而非其他光子，将近红外的散射光转换为可见光。

然而，这种方法往往会产生暗角效果，使图像边缘变暗，缩小视野。图像中也可能出现浅色或深色斑点的伪影。

重建的物理检验

研究人员将现有成像技术与名为DeepTimeGate的机器学习框架结合。它有两个阶段，首先是一个训练用于数学重建图像的算法。关键新增是第二种算法，由加州大学洛杉矶分校开发，它能快速进行现实检验，基于物理基本规则约束结果。

利用基于硅的相机近实时感测复杂介质内部，将为生物医学成像带来福音。DeepTimeGate可能带来更经济、更有效的影像学指导手术，包括内镜手术。检测血液等混浊液体中危险微生物或异常细胞的实验室，可以利用此类技术在不稀释或过滤的情况下分析样本。

另一个潜在应用是自动驾驶车辆的摄像头，通过雨水、雾气、尘土或沙尘覆盖周围环境。在工业领域，成像系统未来可能有助于制造过程中涉及混浊液体或磨砂包装的质量控制，以及废物处理厂的质量控制。

出版信息

Hao Zhang 等，《通过散射实现ε-近零材料中无暗角上转换成像的混合深度重建》，《光：科学与应用》（2026）。DOI：10.1038/s41377-026-02375-6

期刊信息：光：科学与应用