智能光学计算成像技术与应用
培训时间：
2026年01月10日-01月11日
2026年01月17日-01月18日
（线上直播授课4天+录播回放+微信群答疑）
1.
写在前面
智能光学计算成像是一个将人工智能（AI）与光学成像技术相结合的前沿领域，它通过深度学习、光学神经网络、超表面光学（metaphotonics）、全息技术和量子光学等技术，推动光学成像技术的发展。以下是智能光学计算成像的一些关键进展和应用：
1.光纤成像：深度学习在光纤成像中的应用进展显著，包括通过条件生成对抗网络实现高速多模光纤成像系统
2.光谱成像：当前的光谱成像技术包括多通道滤光片、基于深度学习和波长响应曲线求逆问题的优化实现，以及衍射光栅、多路复用、超表面等技术，用于获取高光谱信息
3.全息成像：利用深度神经网络来优化全息图的重建过程，提高成像质量，并实现复杂光学场景的快速三维重建
4.超分辨率成像：通过深度学习技术提高光学成像系统的空间分辨率，改善图像质量
5.计算成像优化：利用深度学习模型对光学成像过程进行优化和控制，实现更高效的成像方法
6.简单光学成像技术：基于计算成像，发展简单和紧凑的光学成像技术，也称为简单光学。这种技术利用光学系统和图像处理算法的联合设计，实现与复杂光学系统相媲美的高质量成像
7.端到端光学算法联合设计：计算光学成像包括了可微的衍射光学模型、折射光学模型以及基于可微光线追踪的复杂透镜模型，这些模型使得光学系统设计与图像处理算法可以联合优化
为促进科研人员、工程师及产业界人士对人工智能在光学成像领域应用技术的掌握，特举办“智能光学计算成像技术与应用”专题培训会议，本次培训会议主办方为北京软研国际信息技术研究院，承办方互动派（北京）教育科技有限公司，具体相关事宜通知如下：
2.
培训对象
光子学与光电子学、无线电电子学、物理学、材料科学、电信技术、自动化技术、仪器仪表工业、电气工程、电力工业、计算机软件及计算机应用、工业通用技术及设备、生物医学工程、金属学、生物医学工程等领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。
3.
讲师介绍
来自国家“985 工程”“211 工程”重点高校。在《ACS Photonics》、《Journal of Lightwave Technology》等国际知名期刊发表论文数十篇, 擅长领域计算光子学及深度学习与光子学的交叉学科研究等。担任Laser & Photonics Review, Photonics Research, Journal of Lightwave Technology, IEEE JSTQE, Optics Express, Optics Letter等光子学期刊审稿人。
4.
培训特色
1.光学为骨，AI为翼：以光学为基础，融合机器学习和深度学习算法，特别关注软硬件协同设计。
2.理论与实践并重：涵盖成像经典理论、常用计算成像算法及应用，结合高水平论文（如Nature、Nature Communications、Optica等）讲解，并通过实际案例操作加深理解。
3.热点应用全覆盖：涵盖光谱成像、压缩感知成像、无透镜成像、散斑成像、端到端光学算法联合设计等前沿技术。
4.启发式讨论：通过理论学习、实践操作和讨论相结合，培养学员的整合能力和创新思维。
5.
课程详情
|
时间 |
课程内容 |
|
光学计算成像导论 |
1.计算成像的概念与现状 2.生活与科研中的典型应用场景 3.光学计算成像与计算摄影 4.深度学习增强的计算成像 |
|
图像基本概念及计算成像理论基础 |
1.颜色和光谱，图像在程序中的表示 2.图像传感器，成像物理模型与噪声 3.其他成像元件与光波波前分析方法 4.常见图像描述方法与图像处理流程 5.图像重构理论基础 6.一般计算成像逆问题与求解方式 Ø 实例：Poisson blending of image |
|
机器学习及Python软件基础 |
1.机器学习基础概念 2.监督学习与无监督学习 3.常用算法简介（如线性回归、多层感知机等） 3.1 Python 编程基础 3.2 Python 环境搭建与工具介绍 3.3 基本语法与数据结构 3.4 矩阵运算库NumPy与GPU运算库Cupy 3.5 数据可视化工具（ Matplotlib 等） 3.6 深度学习框架 PyTorch 与TensorFlow Ø 实践：用Numpy/cupy与matplotlib绘制分形图像 |
|
图像常用深度神经网络与PyTorch/TensorFlow实现 |
1.深度学习简介与神经网络基础概念 2.深度学习的基本原理与训练过程 3.常用基本深度网络模型简介 3.1全连接网络(FC） 3.2卷积神经网络（CNN） 3.3带历史记忆的网络（如RNN） 4.基于PyTorch与TensorFlow的几种神经网络构建 Ø 全连接网络 Ø 卷积神经网络 Ø U-Net Ø Res-Net Ø 实践：基本的全连接网络模型与卷积神经网络的搭建与训练 |
|
图像的神经网络表示与ADMM图像重构 |
1.神经表示（Neural Representations）与位置嵌入（Positional Encoding） 2.神经渲染（Neural Rendering） 3.学习式重构（Learned Reconstruction）与应用介绍 4.用ADMM算法来求解正则化逆问题 Ø 实践：用 ADMM 算法来重构图像 |
|
常见的计算成像应用 |
1.图像去噪与解模糊 2.空域编码-解码成像（压缩感知、单像素成像）简介 3.时域编码-解码成像（飞行时间、非视域成像）简介 4.无透镜成像 4.1无透镜成像的概念与基础 Ø 点扩散函数（PSF） 调控与无透镜成像: 散射成像实例 |
压缩感知和压缩编码成像 |
1.压缩感知与压缩成像理论 1.1基于多模光纤lantern的压缩计算成像讲解 Ø 实践：1D信号和2D图像的压缩感知重构 2.结构光照明和单像素成像理论 3.基于神经网络的单像素成像 3.1 基于神经网络的远场超分辨率鬼成像讲解 Ø 实践：基于多模光纤超快脉冲的单像素探测超快成像 |
高光谱成像 |
1.高光谱成像简介与理论知识 2.神经网络光谱成像 Ø 案例：具有高空间分辨率的宽带高光谱图像传感器（实践网络重构部分） |
微纳光学计算成像 |
1.超构表面与微纳光学增强的计算成像简介 2.超构表面与相位获取成像 Ø 实例讲解：纳米光学高质量超构透镜成像（实践图像重构部分） |
端到端光学算法联合设计 |
1.一般图像系统设计 2.端到端光学和图像处理系统设计 Ø 案例讲解：端到端的基于深度学习的散射介质散斑计算成像 Ø 综合实例讲解： 用一个纯相位镜头的灰度图像到高光谱图像（超光谱/解模糊/深度学习/点扩散函数设计/压缩成像） |
6.
部分案例图示
7.
增值服务
1、凡报名学员将获得本次培训电子课件及案例模型文件，以及全部无限次回放视频；
2、凡老学员推荐报名者，可享受额外两百元优惠；
3、参加培训并通过试的学员，可以获得：主办方北京软研国际信息技术研究院培训中心颁发的《智能光学计算成像技术与应用》专业技能结业证书；
8.
报名费用
￥4500 元/人
（含报名费、培训费、资料费）
2025年12月13日前报名缴费可享受200元早鸟价优惠；
【注】费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；北京中科纬来智能科技有限公司作为本次会议会务合作单位，负责注册费用收取和开具发票。如需开具会议费的单位请联系招生老师索取会议邀请函；
9.
报名方式
讲师招募
互动派教育长期招募讲师，欢迎您的加入！
济济多士，乃成大业，人才蔚起，国运方兴！互动派教育，约您一起，助力中国学术崛起！
这里，会为你创造广阔的发展空间让你大展拳脚！这里，有众多科研学子等待您的传道受业解惑！
快加入我们，让你的梦想与互动派教育相逢吧！
扫描下方二维码，关注我们
互动派教育客服
公众号