陈钱、左超教授团队封面文章 | 定量相位成像的范式革新：从物理建模到物理驱动深度学习

《光学学报》于2025年45卷第19期推出“AI光学：智能成像”专题。南京理工大学陈钱、左超教授团队特邀综述“定量相位成像的范式革新：从物理建模到物理驱动深度学习”被选为本期封面文章。

封面解析

封面展示了物理建模与深度学习的融合趋势。跃动的物理光波随着光流与携带数据流的神经网络在细胞顶端会聚融合，使得细胞在无标记的情况下仍可呈现出高衬度的内部结构，体现了定量相位成像的范式从物理建模到物理驱动深度学习的革新。

文章链接：卢林芃, 黄星雨, 周顺, 金彦伯, 李卓识, 孙佳嵩, 陈钱, 左超. 定量相位成像的范式革新：从物理建模到物理驱动深度学习的智能化演进（特邀）[J]. 光学学报, 2025, 45(19): 1911001.

定量相位成像（Quantitative Phase Imaging, QPI）作为一种基于波动光学的无标记成像技术，凭借其非接触、高灵敏度与高分辨率等优势，在生命科学、材料分析及生物医学诊断等领域获得了广泛应用。然而，传统方法主要依赖物理建模与数值反演算法，虽在理想条件下可实现高精度相位恢复，但在处理复杂系统、动态成像或高通量任务时，常因模型表达能力的局限与计算效率的不足而面临部署瓶颈。如图1所示，近年来，深度学习为QPI引入了数据驱动的新范式，显著提升了相位反演的效率与特征提取能力。然而，纯数据驱动的深度模型往往依赖大量标注数据，不仅泛化能力较弱，还因缺乏物理一致性约束，在实际应用中常表现出可靠性不足与推广性受限的问题。

图1 将深度学习引入定量相位成像的动因与挑战。（a）计算成像正向图像生成模型；（b）基于物理模型的计算成像原理示意图；（c）基于深度学习的计算成像原理示意图

在从物理模型驱动转向数据驱动的进程中，一个核心矛盾亟待解决：如何将物理建模的严谨性与深度学习的高效性深度融合？早期的简单“物理+AI”拼接已被证明存在局限。真正的突破来自于物理驱动深度学习（Physics-Driven Deep Learning, PD-DL）。该方法并非将物理规则与神经网络机械叠加，而是将成像过程中的第一性原理系统性地嵌入数据构造、网络架构与优化目标之中，实现了从依赖数据到驾驭物理的范式跃迁。通过这种深度融合，PD-DL在显著提升模型泛化能力与可解释性的同时，也为构建兼具高精度、高效率与高鲁棒性的新一代智能QPI系统奠定了技术基础。

论文围绕物理先验的注入层级提出一个统一的分类框架（如图2所示），将现有PD-DL方法划分为分别作用于成像流程输入、网络结构与输出端的三条技术路径，为应对不同成像难题提供了有力工具。

2.1 数据层注入：物理辅助监督学习——为网络提供教科书

物理辅助监督学习（Physics-assisted supervised learning，PASL）的核心思想是在数据构造阶段引入物理先验，以生成高质量的训练样本，从而解决相位“真值”难以通过实验直接获取的难题。该方法主要通过精确的光学传播模型，从仿真相位图生成对应的光强图像，构建具有物理一致性的"光强-相位"配对数据集。此外，也可利用简化物理模型产生粗略相位估计作为网络的输入或引导信号，或先由网络对原始图像进行预处理，再送入物理模型进行反演。这一思路显著降低了实验标注成本，生成的样本符合光传播规律，能有效引导网络学习正确的物理机制。不过，该方法的性能高度依赖仿真模型的准确性，当仿真条件与实验环境存在差异时，模型泛化能力将受到一定影响。

2.2 结构层嵌入：物理过程嵌入网络——让网络内置物理引擎

物理过程嵌入网络（Physics-embedded inference networks，PEIN）进一步将物理模型直接整合至网络结构内部，使整个推理过程成为一个可微分的物理模拟器。其实现方式主要包括两种路径：一种是将角谱传播等物理过程构建为可微计算层，确保网络前向传播与实际光场行为一致；另一种是将传统迭代优化算法展开为网络结构，并将其中关键参数转化为可学习权重。这种设计使网络既具备物理机制带来的可解释性，又融合了深度学习的高效推理能力，在面对系统参数波动或外界干扰时展现出良好的适应性。然而，该方法也面临网络结构设计复杂、且高度依赖物理模型本身的准确性与可微性等挑战。

2.3 目标层约束：物理一致性约束——为网络输出设立物理考场

物理一致性约束（Physics-regularized learning，PRL）方法采用了一种独特的技术路径：它既不改变网络基础结构，也不依赖仿真数据，而是通过在损失函数中引入物理约束，迫使网络的输出结果必须符合基本物理规律。具体实现上，该方法将网络预测的相位通过正向物理模型重新映射至光强域，并通过最小化计算光强与实际采集光强之间的残差，驱动网络以无监督或自监督方式进行学习。这一机制使其摆脱了对昂贵标注数据的依赖，展现出优异的跨域泛化能力和系统适应性，同时确保输出结果在物理上保持自洽。然而，该方法的性能仍对物理模型本身的准确性较为敏感。

如表1所示，三类方法的融合机制与适用场景各有侧重：PASL 在数据层利用物理模型生成仿真数据，适用于标注数据稀缺但物理建模精准的稳定系统。PEIN 在结构层嵌入可微物理算子，适用于物理机制明确、且对可解释性与适应性要求高的任务。PRL 在目标层引入物理残差作为损失，适用于缺乏真实标签、存在非理想因素或需跨域泛化的复杂条件。三者共同构成了从数据生成、过程建模到结果验证的物理驱动框架。

图2 物理驱动深度学习方法分类概览图。（a）基于物理驱动深度学习的定量相位成像方法分类汇总表；（b）基于物理驱动深度学习的定量相位成像方法的各方法训练/推理示意图

表1 三类物理驱动深度学习方法的比较

未来，物理驱动深度学习将沿着多维融合与系统级智能化路径演进。研究重点将从二维反演迈向高精度三维层析与强散射建模，通过隐式神经场与矢量传播正则突破复杂样本的成像极限。面对数据稀缺挑战，数字孪生与弱监督训练将构建“模型-数据”闭环，实现跨场景自适应的样本生成与参数校准。在实际部署中，轻量化架构与任务感知设计将成为关键技术，推动QPI在临床诊断、工业在线检测等高通量场景中的落地。最终，通过光学硬件、物理模型与深度学习算法的端到端联合优化，将构建出具备自校正能力的下一代智能成像系统，以实现从相位重建到智能感知的范式跃迁。

图3 基于物理驱动深度学习的定量相位成像未来展望   

团队简介

南京理工大学智能计算成像实验室SCILab（www.scilaboratory.com）依托光学工程国家重点学科，由陈钱、左超教授（SPIE/Optica/IOP Fellow，科睿唯安全球高被引）领衔，聚焦计算成像机理、仪器研制及其交叉应用，在SCI源刊发表论文290余篇（封面50余篇，ESI高被引/热点25篇，他引约2万次），获中国光学工程学会技术发明奖一等奖、江苏省科学技术奖基础类一等奖、日内瓦国际发明展“特别嘉许金奖”等。培养研究生6人获全国光学工程优秀博士论文/提名奖，5人获中国光学学会王大珩光学奖等荣誉。