基于深度学习实现透过浑浊介质图像重构（特邀）

不同于毛玻璃等固态散射介质静止不变的特点，浑浊介质对光束的散射作用同时体现在空间及时间上，当浑浊介质动态变化时，大多数的传统散射成像方法失效。针对以上问题，文中采用了一种基于深度学习恢复散斑图像的方法，研究了浑浊介质中，不同散射介质及散射介质浓度不同的条件下，神经网络的图像恢复效果，并利用不同浓度散射介质获得的散斑图像混合训练测试神经网络的泛化能力。实验结果表明，在不同散射介质及散射介质浓度不同的条件下，该网络均能够根据散斑图像获得较高保真度的恢复图像，且在不同浓度散射介质的散斑图像混合训练的情况下，网络泛化能力及鲁棒性强。