传统光学成像系统的空间/角分辨率受限于阿贝-瑞利衍射极限，而在此限制下，人们一般通过增大成像系统数值孔径或有效口径来提高空间/角分辨率。但是，成像发展到现阶段，增大数值孔径或有效口径在实现成本及难度上均已是极大挑战。而超分辨成像技术为获得超衍射极限成像提供了可能。E. Betzig及S. W. Hell就因为超分辨成像方面的贡献获得了2014年诺贝尔化学奖。 

　　近期，中国科学院国家天文台南京天文光学技术研究所何晋平研究员团队在超衍射极限成像技术方面取得新进展。该团队基于外接孔径调制子系统及深度学习方法，以原光学成像系统的实像面作为输入，不改变原有系统结构，通过调节位于孔径光阑平面的电动可变光阑快速采集训练所需的低分辨率(low-resolution, LR)到高分辨率(high-resolution, HR)图像对，并以训练好的深度学习网络将HR图像作为输入，快速外推出超出衍射极限的超分辨率(super-resolution, SR)图像。相关研究结果于2021年9月发表在国际光学期刊 《Optics Express》上(Vol. 29, Issue 20, pp 31099-31114, 2021, https://doi.org/10.1364/OE.432507)，并申请了国家发明专利。至此，该团队基于孔径调制已提出三种新型超分辨成像方法：“孔径调制 + 光强外推”（Sci. Rep. 8, 15216(2018)）、“孔径调制 + 图像迭代重构”（J. Opt. 23, 015701(2021)）及本工作方法“孔径调制 + 深度学习”。

　　图1. 实验装置示意图 (EAMS: external aperture modulation subsystem)

　　据论文第一作者王志强博士介绍，本方法无需更改原有成像系统结构，只需添加一个可变光阑或孔径调制子系统即可实现调制功能，结构简单且紧凑，造价低。在数据训练方面，相对于常用的“端对端”训练策略，通过增加一个“标签数据”可以进一步提高深度学习网络的分辨率增强能力和图像保真度。相比迭代式最优化SR算法，基于深度学习的SR方法可以提供训练好的非迭代式重建工具，从而实现快速的分辨率增强，且无需估计点扩散函数（PSF）或对成像过程进行数值建模。 

　　图2. 稀疏点源目标的超衍射极限成像结果对比.(a)衍射极限下的HR图像, (b)3倍理论SR图像, (c)2孔径训练策略SR外推结果, (d)3孔径训练策略SR外推结果. (e)和(f)为相应的2.2倍和2.7倍SR时的横截线对比图. 0.735 为Rayleigh criterion下归一化鞍点强度 

　　为验证该方法在复杂物体成像方面的能力，团队与南京林业大学及上海交通大学合作，开展了生物样品SR成像方面的实验研究工作。图3给出了对玉米种子切片成像的对比结果。与衍射受限的HR输入相比，dpcCARTs-NET的外推SR输出在分辨率和对比度方面都有明显的提高，并且使用3孔径调制策略训练的dpcCARTs-NET的SR性能也优于2孔径调制策略，分辨率增强能力接近1.5倍。外推SR图像提供了更清晰的生物结构信息，有助于进一步研究样品的生物学信息，如淀粉含量的评估。 

　　目前，该团队正在将相关方法应用于大视场天文成像中，有望以较低代价实现超高分辨天文成像，并为将来进行智能天文仪器设计和智能天文数据处理算法研究提供参考。 

　　该研究得到国家自然科学基金青年项目（资助号：11903062）、面上项目（资助号：11773045）及重点项目（资助号：11933005）资助。 

　　图3. 对玉米种子切片成像的对比结果.(a)3孔径训练策略SR外推结果,(b)-(m)不同ROI(range of interest)的成像效果放大对比图. (n)和(o)为两个特征白点和黑点的横截线对比图.(i)和(j)中的黄色箭头指向一些原本模糊的间隙和形状，这些间隙和形状通过训练好的dpcCARTs-NET变得更加清晰