隔着一块透明玻璃观察物体并不困难。但如果物体前方换成毛玻璃、浑浊组织或多层复杂散射介质，原本规则的光场会经历多次散射，最终在相机上形成一幅看似毫无规律的散斑图（speckle pattern）。此时，相机真正记录到的已经不是物体本身，而是物体信息经过复杂光学传播后形成的随机纹理。于是，一个很有意思的问题出现了：只凭这样一幅散斑图，还能不能把原来的物体重新找回来？如果散射进一步增强，甚至连传统散射成像赖以工作的光学记忆效应都几乎消失，图像还能恢复吗？答案是肯定的。借助卷积光学神经网络（Convolutional Optical Neural Network，ONN），散斑可以直接经过多级光学卷积和特征提取，最终恢复出原始目标。更重要的是，其中大量计算不再由GPU完成。而是由——光本身完成。一、为什么强散射成像这么难？在普通成像系统中，可以简单理解为：物体 → 光学系统 → 清晰图像但在强散射介质中，情况完全不同：物体 → 多次散射 → 随机散斑光线不断发生偏折、干涉和重新分布，原始物体的空间结构被高度打乱。传统散射成像之所以还能恢复部分信息，一个重要基础就是：Optical Memory Effect，OME——光学记忆效应。简单来说，当入射光只发生很小角度变化时，输出散斑仍然保持一定相关性。这种相关性相当于散射介质仍然“记得”输入光场发生过什么变化，因此可以利用散斑相关性反推出目标信息。然而，随着散射层数增加，或者散射层之间的距离增大，相关性会迅速下降。在多层扩散片条件下，OME对应的物平面范围甚至可能只有几微米。一旦这个范围远小于目标尺寸，传统依赖OME的反卷积等方法就很难继续工作。这就是：Memory-less Scattering——无记忆散射。二、不再试图“解散射”，而是直接从散斑恢复目标面对复杂散射，一种传统思路是先求出散射介质的：传输矩阵波前信息相位分布光传播模型然后再进行图像反演。但还有另一条路线：
隔着一块透明玻璃观察物体并不困难。但如果物体前方换成毛玻璃、浑浊组织或多层复杂散射介质，原本规则的光场会经历多次散射，最终在相机上形成一幅看似毫无规律的散斑图（speckle pattern）。此时，相机真正记录到的已经不是物体本身，而是物体信息经过复杂光学传播后形成的随机纹理。于是，一个很有意思的问题出现了：只凭这样一幅散斑图，还能不能把原来的物体重新找回来？如果散射进一步增强，甚至连传统散射成像赖以工作的光学记忆效应都几乎消失，图像还能恢复吗？答案是肯定的。借助卷积光学神经网络（Convolutional Optical Neural Network，ONN），散斑可以直接经过多级光学卷积和特征提取，最终恢复出原始目标。更重要的是，其中大量计算不再由GPU完成。而是由——光本身完成。一、为什么强散射成像这么难？在普通成像系统中，可以简单理解为：物体 → 光学系统 → 清晰图像但在强散射介质中，情况完全不同：物体 → 多次散射 → 随机散斑光线不断发生偏折、干涉和重新分布，原始物体的空间结构被高度打乱。传统散射成像之所以还能恢复部分信息，一个重要基础就是：Optical Memory Effect，OME——光学记忆效应。简单来说，当入射光只发生很小角度变化时，输出散斑仍然保持一定相关性。这种相关性相当于散射介质仍然“记得”输入光场发生过什么变化，因此可以利用散斑相关性反推出目标信息。然而，随着散射层数增加，或者散射层之间的距离增大，相关性会迅速下降。在多层扩散片条件下，OME对应的物平面范围甚至可能只有几微米。一旦这个范围远小于目标尺寸，传统依赖OME的反卷积等方法就很难继续工作。这就是：Memory-less Scattering——无记忆散射。二、不再试图“解散射”，而是直接从散斑恢复目标面对复杂散射，一种传统思路是先求出散射介质的：传输矩阵波前信息相位分布光传播模型然后再进行图像反演。但还有另一条路线：
