衍射场作为叠层衍射成像技术（ptychography）的重要约束，其信息的丰富度和准确性将直接影响重构质量。提出一种基于极大似然噪声估计的高动态范围（ML-HDR）叠层衍射成像方法，即在探测器线性响应假设下，构建复合高斯噪声模型，根据极大似然估计求解最优权重函数，由多张低动态范围衍射场合成高信噪比衍射场。对比了单次曝光、传统HDR和ML-HDR三种方法的重构质量。仿真和实验结果表明：相比单次曝光，ML-HDR能将动态范围拓宽8位，重构分辨率提升至2.83倍；相比传统HDR，ML-HDR能提高重构图像的均匀性和对比度，且无需额外标定硬件参数。

无透镜成像系统使用掩模板替代镜头，在降低成本的同时使设备更加轻巧，然而在进行目标识别前需通过计算重建图像，涉及参数调优和计算耗时问题。基于此，提出一种无重建的目标识别方案，直接在无透镜相机拍摄的编码图像上训练网络识别目标，在节约计算资源的同时还提供隐私保护。使用具有相位掩模板和振幅掩模板的无透镜相机，仿真生成MNIST与Fashion MNIST数据集和实采MNIST数据集，然后在这些数据集上训练ResNet-50与Swin_T网络进行目标识别。结果表明，在仿真MNIST、Fashion MNIST和真实MNIST数据集上，所提方案的最高识别准确率达99.51%、92.31%和98.06%，与先重建目标后识别方案的准确率相当，证明所提方案是一种高效的、具有隐私保护的端到端方案，且在两种掩模板和两类常规骨干分类网络上得到了验证。

叠层成像技术是近年来发展快速的相干衍射成像方法，目前已经成为世界上大多数X射线同步加速器和国家实验室不可或缺的成像工具。光学叠层成像是叠层成像技术在可见光波段的应用，分为基于透镜的傅里叶叠层成像与基于无透镜的编码叠层成像。编码叠层成像作为一种新型无透镜片上显微成像技术，具有大视场、高分辨率、无像差、无标记、便携式，以及缓变相位成像等诸多技术优点。本文介绍无透镜编码叠层显微成像的基本原理及最新研究进展，分析了其成像性能，重点介绍了其在生物医学方面的相关应用，并讨论了编码叠层成像技术未来的发展方向。

光波复振幅中相位信息的恢复是科学与工程领域的重要研究热点之一。相位携带了光传播中的重要信息，对成像与智能感知技术的发展有着重要的意义。相位恢复波前重构技术通过优化算法和设计特定成像装置，从光电探测器采集的强度信息中恢复出难以被直接感知的相位信息，是探测微观和宏观世界的重要技术手段之一，已广泛应用于生物显微、工业检测和天文观测等领域。概述基于干涉和非干涉的波前重构技术及其应用，梳理相位恢复波前重构算法的基本原理和发展历程，对常见相位恢复技术手段如交替投影相位恢复算法、基于调制约束和基于深度学习的相位恢复波前重构技术等进行初步的探讨。针对相位恢复波前重构技术的未来发展提出若干可能的研究方向，包括相位恢复算法的进一步优化、新型系统和器件的开发等。

单像素成像使用一系列空间光调制掩模对目标场景进行单像素亚采样，再根据掩模与测量值之间的关联重构出物体图像。这种间接获取图像的方式之所以能保证重建质量，除了有重构算法的功劳，更关键的是测量掩模的构造。随着压缩感知理论的引入，随机掩模进入人们视野，但它让测量变得盲目，缺乏针对性，而且这种掩模不便于存储和计算，极大限制了空间像素分辨率。哈达玛基掩模因其结构化特征使快速计算成为可能，且方便存储和提取，近年来得到广泛关注，已发展出诸多哈达玛基掩模优化排序方法，这些方法已被证明能大幅降低采样率。本综述系统地梳理了这类方法的设计框架和前沿进展，展望了确定性掩模构造的未来发展趋势，可为后续的研究工作提供有益的借鉴和指导。

计算成像是融合了光学设计、光学传感和图像处理的新兴技术领域，突破了传统成像技术获取信息的深度和广度限制，成为国际研究热点，是先进光学成像技术的重要发展方向。综合国内外文献和相关报道，以计算成像在信息复原及信息增强应用场景的技术发展为主线，结合新方法、新算法探讨各个子领域的主要进展，介绍端到端相机成像优化模型、衍射光学模型及基于可微光线追踪的复杂透镜模型等。近年来，无论是光学系统硬件加工还是图像处理算法都有着惊人的发展速度，多样化系统结构和先进算法的结合为计算成像提供了强大的发展动力，从人脸识别到物体检测，计算成像技术广泛涵盖了安防监控、医疗诊断、零售和娱乐等众多领域，相信未来也会在更多科学应用领域看到它的价值。

近年来，深度学习技术广泛应用于计算光学三维成像的研究中。在条纹投影轮廓术中，通过训练深度学习网络，可从单幅条纹图像中恢复高精度的相位信息。然而，为了训练神经网络模型，通常需要耗费大量的时间成本和人力成本来采集训练数据集。为了解决该问题：首先，建立数字孪生条纹投影系统，并利用域随机化技术对虚拟照明光栅进行增强，使用计算机进行虚拟扫描，生成大量仿真光栅条纹图像；其次，利用仿真光栅图像对U-Net神经网络进行预训练；最后，引入迁移学习，采用少量真实光栅条纹图像对神经网络进行参数微调。由于U-Net的结构特殊性，提出并分析了“从左至右”“从上至下”“全局微调”等3种U-Net神经网络微调策略。实验结果表明，采用“从上至下”策略微调U-Net“瓶颈”网络模块的方法可获得最佳的迁移学习结果，神经网络的相位预测精度可得到显著提升。相比于使用大量真实数据进行训练，所述方法仅利用20%的数据就可训练神经网络获得高精度的相位重建结果。

超分辨荧光显微镜突破了光学衍射极限造成的空间分辨率限制，使得生物学家能够在生命体和细胞具有活性的状态下，对其功能与结构进行高精度动态记录，有望揭示更多重要的生命现象细节。然而，由于超分辨荧光显微技术的成像视场、深度、分辨率、速度等不易兼得，所以解卷积作为一种最有效且直接的求解逆问题的框架，被广泛应用于增强超分辨显微镜的时空分辨率。研究人员聚焦于通过相应算法设计实现高质量显微图像的重建，在一定程度上克服了超分辨荧光显微镜的硬件限制，可以更好地恢复生物信息。本文首先介绍了解卷积方法的基本原理及其发展历程，接着列举了不同解卷积技术在不同模态下的重建原理和效果以及这些技术在生物学上的应用，最后总结了基于深度学习的解卷积方法在超分辨荧光显微镜技术上的最新进展和未来的发展潜力，并对包括傅里叶环相关的定量评估图像重建质量的方法的最新进展进行了阐述。

随着能量输出能力的不断提升，高功率激光驱动器运行对光学元件的性能和打靶光束的质量都有了更高要求。传统测量仪器结构复杂、精度有限，难以满足实验需求。朱健强课题组将计算成像技术引入到高功率激光驱动器的参数测量中，精确测量大口径光学元件的形貌、应力分布、热畸变等特征，脉冲光束的时间、空间、近远场分布等参量，以及激光与物质相互作用的过程；进一步发展相干衍射成像（CDI）技术，开发出单次曝光三维PIE（ptychography iterative engine）技术、多模态相干调制成像（CMI）技术、分束编码成像技术等，建立了相干衍射成像技术的解析模型，在数学上分析了CDI技术解的唯一性。本文主要综述了课题组在惯性约束聚变中计算光学成像技术应用方面的研究进展。