随着社会信息化程度的逐步提升，人们对光纤通信系统容量的需求持续增长。信道损伤一直是限制光纤通信容量提升的关键因素，信道损伤补偿作为光纤通信系统的基础性功能和关键技术也在不断改进。近年来，将深度学习应用到光纤通信信道损伤补偿中更是吸引了不少研究人员的关注。文章介绍了近年来应用于光纤通信中的常见深度学习模型，阐述了深度学习技术在光纤通信系统信号损伤补偿方面的发展情况。

Recently, deep learning has been used to establish the nonlinear and nonintuitive mapping between physical structures and electromagnetic responses of meta-atoms for higher computational efficiency. However, to obtain sufficiently accurate predictions, the conventional deep-learning-based method consumes excessive time to collect the data set, thus hindering its wide application in this interdisciplinary field. We introduce a spectral transfer-learning-based metasurface design method to achieve excellent performance on a small data set with only 1000 samples in the target waveband by utilizing open-source data from another spectral range. We demonstrate three transfer strategies and experimentally quantify their performance, among which the “frozen-none” robustly improves the prediction accuracy by ∼26 % compared to direct learning. We propose to use a complex-valued deep neural network during the training process to further improve the spectral predicting precision by ∼30 % compared to its real-valued counterparts. We design several typical teraherz metadevices by employing a hybrid inverse model consolidating this trained target network and a global optimization algorithm. The simulated results successfully validate the capability of our approach. Our work provides a universal methodology for efficient and accurate metasurface design in arbitrary wavebands, which will pave the way toward the automated and mass production of metasurfaces.

为解决基于深度学习的立体匹配方法面临着网络规模大、网络结构复杂等问题，提出了一个网络规模较小、精度较高的网络结构。该网络在特征提取模块删减修改了复杂冗余的残差层并引入了空洞卷积金字塔池化模块来扩大视野范围，提取更多有用的上下文信息；在代价计算模块中使用了三维卷积层以成本聚合提升立体匹配的精度；最后，在代价聚合模块引用了双边格网模块以较低分辨率的成本量来获取精度较高的视差图。将该网络在KITTI 2015数据集和Scene Flow数据集等主流数据集上进行实验，结果显示，相较于其他主流优秀网络类如金字塔立体匹配网络（Pyramid Stereo Matching Network ，PSM-Net），网络规模参数量减少了约38%，并取得了较高的实验精度，其中Scene Flow数据集的终点误差（End-point Error，EPE）为0.86，是一个同时兼顾速度与精度的立体匹配网络。

细胞内镜需实现最大倍率约500倍的连续放大成像，受光纤照明及杂散光的影响，其图像存在不均匀光照，且光照分布会随放大倍率的变化而变化。这会影响医生对病灶的观察及判断。为此，本文提出一种基于细胞内镜光照模型的图像不均匀光照校正算法。根据图像信息由光照分量和反射分量组成这一基础，该算法通过卷积神经网络学习图像的光照分量，并基于二维Gamma函数实现不均匀光照校正。实验表明，经本文方法进行不均匀光照校正后，图像的光照分量平均梯度和离散熵分别为0.22和7.89，优于自适应直方图均衡化、同态滤波和单尺度Retinex等传统方法以及基于深度学习的WSI-FCN算法。

核辐射场区全覆盖路径规划对于辐射环境下区域作业者的辐射安全有重要意义。本研究基于生物启发神经网络算法，提出一种进行辐射剂量最优控制的全覆盖路径规划算法。首先，利用福岛核电站部分地形以及蒙特卡罗粒子输运程序分别构建模拟核辐射场区的障碍物分布和辐射剂量场，然后，采用Python语言进行算法仿真试验，模拟核辐射场区的每一个栅格定义为一个神经元，建立起生物启发神经网络，将栅格剂量率与神经元活性耦合实现路径规划的辐射剂量最优控制，分别采用单个、4个和8个移动单元进行仿真试验。结果表明：单个移动单元的规划路径在实现100%覆盖率，4%覆盖重复率的同时，能够优先覆盖低剂量区，延后覆盖高剂量区，实现了过程剂量和累积剂量的最优控制。为提高全覆盖的时间效率和获得更低的单体累积剂量，对算法进行多单元协同搜索的改进，结果表明：4单元和8单元仿真的覆盖重复率分别为5.72%和6.29%，1单元、4单元和8单元仿真完成全覆盖时间分别为30 min、9 min和4 min，时间效率成倍提高；最大单体累积剂量分别为4.11×10^-3 mSv、1.28×10^-3 mSv和0.85×10^-3 mSv，也在显著降低。本文提出的算法能实现过程剂量和累积剂量最优控制的全覆盖路径规划，另外算法可以协同规划多单元路径，显著降低单体累积剂量，对辐射环境下区域作业的辐射防护有重要意义。

提出了一种结合深度学习的空间相位解包裹方法，采用基于改进U-Net网络的编码器-解码器架构，同时加入包含双向长短期记忆网络（BILSTM）的CBiLSTM模块，并且结合注意力机制，避免了典型卷积神经网络学习全局空间依赖关系的固有缺陷的同时增强了深度学习模型对相位解包裹任务中的关键信息的关注能力。通过大量的模拟数据，验证了文中方法在严重噪声(SNR=0)、不连续条件和混叠条件下的鲁棒性，在以上三种情况下，同其他深度学习网络模型进行对比，文中所提出的网络模型的归一化均方根误差（NRMSE）分别为0.75%、1.81%和1.68%；结构相似性指数（SSIM）分别为0.98、0.92和0.94；峰值信噪比(PSNR)分别为40.87、32.56、37.38；同时计算时间显著减少，适合应用到需要快速准确的空间相位解包裹任务中去。通过实际测量数据，验证了文中提出网络模型的可行性。该研究将双向长短期记忆网络（BILSTM）和注意力机制同时引入光学相位解包裹问题中，为解决复杂相位场的解包裹提供了新的思路和方案。