Безлинзовый метод с маской улучшает четкость при съёмке движущихся объектов

С быстрым развитием смартфонов, носимых устройств и портативных медицинских диагностических систем к системам визуализации предъявляются всё более строгие требования: от них ожидают чёткого изображения при минимальных размерах и весе. Традиционные камеры полагаются на оптические линзы, но линзы ограничивают миниатюризацию и подвержены аберрациям, хроматической дисперсии и другим оптическим недостаткам. Безлинзовая визуализация предлагает альтернативу вычислительной оптики: датчик напрямую фиксирует информацию о дифракции модулированного светового поля, а изображение затем восстанавливается методом вычислительной реконструкции.

Однако при съёмке движущихся объектов безлинзовая визуализация сталкивается с серьёзными трудностями: датчик фиксирует смешанные и смазанные дифракционные картины, а традиционные алгоритмы часто требуют множества кадров или сильных априорных предположений. Это приводит к временной потере информации, смазыванию при движении и утрате мелких деталей, что особенно остро сказывается в микроскопии, при наблюдении живых образцов и при динамическом мониторинге биологических процессов. Получение чёткой реконструкции динамических сцен по одиночному измерению остаётся давней задачей.

Недавно совместная группа исследователей из Нанкинского университета и Пекинского университета сообщила о прогрессе в этой области в журнале Интеллектуальная оптоэлектроника. В работе предложена новая парадигма, объединяющая физические модели и методы глубокого обучения. Цель — преодолеть традиционную зависимость безлинзовой визуализации от множества снимков, строгих априорных предположений и высокоточных физических моделей в динамических сценариях, чтобы получать более чёткие изображения движущихся объектов при одном измерении. Статья под названием «McLDI-INR: безлинзовая динамическая визуализация с ограничением по маске посредством двухдоменного совместного неявного нейронного представления» была размещена в сети 26 мая 2026 года и опубликована в томе 2, выпуске 2 журнала IOE 30 июня 2026 года.

Авторы впервые описывают масочно-ограниченную безлинзовую систему динамической визуализации. В такой системе падающее оптическое поле модулируется бинарной маской, что помогает дифракционным картинам нести больше физически интерпретируемой информации. На этой основе команда представила подход с неявным нейронным представлением (implicit neural representation), в котором пространственные и временные координаты подаются в нейронную сеть для изучения комплексно-амплитудного распределения динамических объектов в непрерывном пространстве и времени. В отличие от традиционных методов, предложенная структура не ограничивается плоскостью датчика: исследователи разработали совместную функцию потерь в пространственной и частотной областях. Включение ограничения в частотной области, основанного на физической модели, улучшает восстановление высокочастотных деталей и эффективно подавляет размытие при движении и артефакты реконструкции.

Моделирование показало преимущества метода в сложных динамических сценариях. Для быстро движущихся линейных и нелинейных объектов McLDI-INR последовательной реконструкцией давал результаты, ближе к истинному сценарию: лучше сохранялись контуры, структура краёв и высокочастотные текстуры. Реальные эксперименты подтвердили практическую эффективность McLDI-INR: в лабораторной безлинзовой системе с масочной апертурой выполнена динамическая реконструкция движущейся мишени ВВС США и свободно плавающих образцов коловраток. Экспериментальные результаты демонстрируют заметное улучшение резкости краёв мишени и снижение размытия при движении. При визуализации биологических образцов метод успешно фиксировал нежёсткие движения, например сжатие и смещение хвоста у коловраток, что свидетельствует о применимости как к упорядоченным движущимся целям, так и к сложным динамическим процессам в живых системах.

Исследование показывает, что тесная интеграция физического моделирования и неявного нейронного представления расширяет возможности безлинзовой визуализации: становится возможна высокоточная реконструкция динамических сцен с высоким пространственно-временным разрешением без использования обычных оптических линз. Ожидается, что это достижение поспособствует развитию миниатюрной микроскопии, портативных биосенсоров, динамического наблюдения за живыми процессами и интеллектуальных сенсорных устройств и откроет новые пути в проектировании вычислительных оптических систем.