卷积光学神经网络预示着人工智能成像新时代的到来

卷积神经网络(CNN)凭借出色的图像识别能力，在人工智能领域表现出色，尤其在ChatGPT等平台中。近日，上海理工大学研究团队成功将CNN概念引入光学领域，实现卷积全光神经网络，为人工智能成像技术带来革命性进展。

由上海理工大学人工智能科学与技术学院顾敏教授和张启明教授带领的研究团队开发了一种超快速卷积光学神经网络(ONN)，该网络不依赖光学记忆效应，实现了对散射介质后面物体的高效清晰成像。

该研究成果发表在《科学进展》杂志上，论文标题为《利用超快卷积光学神经网络实现无记忆散射成像》。

上海交通大学高级科学技术学院张玉超研究员为本文第一作者，顾敏教授和张启明教授为通讯作者。

CNN的核心——卷积运算，从图像中提取局部特征，并逐层构建更复杂、更抽象的特征表示，极大地推动了图像处理和模式识别领域的发展。然而，将卷积网络运算的概念应用到光学领域，面临着将电子信号转换成光信号的挑战。

研究团队巧妙设计了全光解决方案，直接在光域进行卷积网络运算，省去了繁琐的信号转换过程，实现了真正的光学计算速度。

该项研究的关键是构建一个多级卷积ONN，由多个能够以光速运行的并行核心组成，直接从散射光中提取特征，实现快速图像重建。

这一过程不仅大幅提升了成像速度，而且显著增强了图像质量，使得在复杂散射环境下成像成为可能。此外，卷积ONN的计算速度达到每秒1.57千万亿次运算(POPS)，为实时动态成像提供了强大的支持。

该项研究的另一大亮点是其多任务处理能力，通过简单调整网络结构，同一个卷积ONN可以同时执行分类、重建等多种不同的图像处理任务，这在光学人工智能领域尚属首次。

张启明教授指出：“这种灵活性和效率的结合不仅强调了卷积网络在人工智能中的重要性，而且为光学成像技术开辟了新的途径。”

该研究的问世，不仅是卷积神经网络在光学领域的成功移植，也将对AI成像技术带来重大助力。

顾敏教授表示：“在不久的将来，卷积光学神经网络将在自动驾驶、机器人视觉、医学成像等领域发挥越来越重要的作用。”