【资讯】告别频繁校准！深度学习“读懂”多模光纤的混沌之光

2026-09-07 18:05:14

 多模光纤（MMF）直径仅如发丝，却可容纳数千个空间模式并行传输，兼具极高的空间带宽积与优异的柔韧性、可弯曲性，使其能够深入生物组织、穿越曲折解剖通道或狭窄工业腔体，成为超细尺度高分辨率内窥成像的独特载体。与依赖离散纤芯阵列的传统光纤束和多芯光纤不同，多模光纤作为连续波导，天然避免了“蜂窝状”像素化伪影及纤芯间距带来的分辨率瓶颈，为实现极细径、高保真成像提供了全新物理平台。

       然而，这一优势也伴随着严峻的光传输挑战。模间色散与随机模式耦合效应，使得输入光场在传输后演变为伪随机散斑，彻底打乱了物体与探测器间的空间对应关系，将图像重建转化为高度病态的逆散射问题。传统方法如传输矩阵测量、光学相位共轭和迭代波前整形，虽为确定性多模光纤成像奠定了重要基础，但均高度依赖传输通道的时间不变性，频繁校准难以满足实时应用需求，严重制约了其在临床和工业场景中的落地。

       深度学习则为这一困境开辟了从“基于校准”走向“基于学习”的全新范式。神经网络无需显式测量规模庞大的复值传输矩阵，而可直接从输出强度散斑中学习非线性逆映射，实现高保真图像恢复、成像深度扩展及对光纤形变的自适应补偿。清华大学研究团队在Advanced Imaging 期刊发表综述论文Advances in multimode fiber imaging with deep learning，系统梳理多模光纤成像的物理基础，重点总结数据驱动端到端重建、物理信息深度学习及迁移学习三条技术主线，并前瞻其在超细内窥诊断、功能成像、光信息传输及多模光子学等领域的广阔应用前景，并被选为了第3期封面论文。

图1 多模光纤内窥成像概念图

       深度学习在多模光纤成像中的核心在于其非校准式的逆映射学习能力与端到端的图像重建范式。系统通常以连续多模光纤作为成像通道，配合CCD或CMOS相机采集光纤远端输出的强度散斑图像，无需依赖波前整形器件或复场测量光路。深度学习模型通过大量成对的散斑—目标图像数据，在训练阶段直接从输出强度分布中学习非线性逆映射，将散斑携带的混杂空间信息解码为原始目标图像。该过程无需显式测量传输矩阵或维持通道时间不变性，因而能够在一定程度上自适应补偿光纤弯曲、温度变化等动态扰动，实现高保真、大视场的复振幅图像重建，为超细内窥成像提供了灵活的智能化解决方案。

技术突破主要体现在以下三个方向：

第一、数据驱动端到端重建

       端到端方法将多模光纤视为“黑箱”，通过成对的散斑（目标图像数据），直接学习从输出散斑到原始图像的逆映射。U-Net凭借编码器（解码器结构与跨尺度跳跃连接）成为该领域最常用的基础网络，通过编码器提取全局语义，跳跃连接保留散斑中的高频纹理和局部细节。早期实验表明，基于U-Net的学习型逆映射在光纤上重建具有高准确率，展现出对长距离复杂通道的良好适应能力；但实际可达距离受光学衰减、高阶模式损耗、模间色散及环境扰动等多重因素制约。

       传统均方误差或平均绝对误差易导致统计平均解，造成边缘模糊与高频细节损失。为此，面向稀疏目标的交叉熵、边缘检测损失及条件生成对抗网络等策略，分别从任务目标或分布约束层面提升图像锐度。生成对抗学习虽能恢复更清晰的边缘纹理，但面临感知真实性与像素精度之间的取舍，在生物医学成像中需审慎评估。

       鉴于常规卷积感受野有限，难以捕捉多模耦合带来的长程全局依赖，研究者引入全连接层、注意力机制、Swin-Unet及多层感知机等结构。全连接模块可实现全局重排，但参数量和计算负担较大；注意力机制则以更高参数效率选择信息丰富模式并抑制背景噪声。同时，VGG、ResNet、轻量全连接网络及基于超表面的光学神经网络，也形成了从高精度数字模型到低功耗全光推理的多样化技术路径。

图2 端到端多模光纤成像的典型架构：左图为U-Net，通过编码器—解码器与跳跃连接完成散斑到图像映射；右图为cGAN，通过生成器与判别器的对抗训练提升边缘与纹理恢复

第二、结合物理信息的深度学习方法

       纯数据驱动模型通常依赖大量成对样本，且在训练分布外易出现泛化性能下降。物理信息深度学习通过将已知光学规律嵌入网络结构、损失函数或数据采集流程，有效缓解这一问题。

       在传输矩阵方向，深度学习可直接从强度测量中估计光纤传输特性，省去复杂干涉标定。在解决强度探测丢失相位信息的问题上，团队引入了相位约束并联合近场与远场测量。进一步在光纤远端集成多层反射结构，可利用多波长反射数据实现单端矩阵恢复，更贴近临床内窥仅能从近端接入的实际约束。同时，时域模态分解与光学记忆效应也分别为基于多模光纤成像系统的高刷新率和动态泛化能力提供了可能性。

图3 物理先验拓展多模光纤成像能力：上图利用1 km多模光纤的模态色散将空间图像编码为时间波形，并由轻量神经网络高速恢复；下图将多模光纤的旋转记忆效应与Radon域学习相匹配，以提高跨旋转状态的重建效率

第三、迁移学习与动态泛化

       迁移学习旨在同时缓解实验数据稀缺和模型对物理扰动敏感的问题。代表性研究在八种已知光纤构型上训练网络，使其学习不同构型间共享的统计不变量，面对未知或动态变化的状态时，模型能够在不重新标定、也不预先知道具体几何形变的情况下直接恢复图像。其物理基础在于，弯曲会显著改变具体传输矩阵和散斑形态，但芯径、数值孔径、基础折射率分布等宏观波导参数保持不变，局部散斑相关性和记忆效应也可能提供跨状态共享的信息。

       这类方法仍主要在训练分布内进行插值，其鲁棒性取决于预训练构型的多样性和代表性。当目标状态与源域差异过大时，预学习先验可能产生负迁移，严重拓扑扭转等未见扰动还会破坏局部相关性。因此，迁移学习能够降低但尚不能彻底消除动态多模光纤成像的校准依赖。

图4 多构型迁移学习流程：网络在多种已知光纤状态上训练，并将学到的跨状态特征用于未知构型下的图像恢复

       深度学习正在重新定义多模光纤成像，研究范式已从依赖精确校准和静态传输通道的物理解算器，发展为可直接学习复杂逆散射映射的端到端模型，并进一步迈向融合传输矩阵、模态色散和记忆效应的物理信息建模。由此，多模光纤有望从高度敏感、无序的波导，转化为面向内窥成像应用的新型平台。

参考文献： 中国光学期刊网

您好，可以免费咨询技术客服[Moli]

官网 筱晓(上海)光子技术有限公司

欢迎大家给我们留言，私信我们会详细解答，分享产品链接给您。

免责声明：

资讯内容来源于互联网，不代表本网站及新媒体平台赞同其观点和对其真实性负责。如对文、图等版权问题存在异议的，请联系我们将协调给予删除处理。行业资讯仅供参考，不存在竞争的经济利益。