概述
偏振是光波的基础属性之一，体现了光波的矢量横波特性。当光波与物体或介质相互作用时，波矢量可以表现出与材料固有特性相对应的强度差异性，从而表征出目标的内秉特征。这种独特的特性作为一个额外的信息额度，已经广泛应用于光学成像的多种领域，如透散射成像、遥感成像、生物医学成像等，丰富了现有光学成像的应用领域。
深度学习作为一种基于神经网络的高级机器学习范式，借助于卷积核模块的非线性数据表征，实现学习和提取抽象的高维特征，从而在计算机视觉等领域实现卓越性能。将基于数据驱动的深度学习与基于物理建模的偏振成像相结合，可以有效促进更高层次的视觉任务中特征信息的提取和表征能力，具有非常广阔的应用前景。因此，本文从深度学习与偏振成像各自的缺陷出发，阐述数据驱动的偏振成像技术对各自成像缺陷的互补作用，通过回顾数据驱动的偏振成像技术在不同应用领域中融合多维光场、嵌入现有物理模型成果、拓展现有成像边界等方面的发展情况，探讨深度学习在偏振信息提取和表征新的范式。
综述内容概要
西安电子科技大学邵晓鹏、刘飞教授研究团队受邀在卓越计划高起点新刊Opto-Electronic Science (光电科学)2024年第2期上发表了题为“Data-driven polarimetric imaging: a review”的综述论文，并被选为当期封面文章。该综述针对深度学习与偏振成像领域各自的问题，阐述神经网络对融合不同表征方式的偏振乃至多维光场特征、嵌入现有物理模型成果、延伸现有成像边界过程中的优化和补充作用，丰富现有偏振成像的应用领域，并就未来发展潜力和发展趋势进行了分析和讨论。
随着数据驱动的偏振成像研究领域的不断探索，对偏振信息的利用已逐渐从直接获取的偏振信息趋向于预处理后的偏振特征。在这个过程中，现有物理模型对神经网络设计、训练的指导和规划作用也在逐步加强。同时，多种不同的物理信息也渐渐融合到整个过程中，从而使得其应用领域从图像处理领域向语义任务中拓展。
图1 数据驱动的偏振成像技术的发展趋势
现有数据驱动的偏振成像技术已应用于偏振信息的重建与增强、目标检测、生物医学成像与病理性诊断、语义分割、透散射介质、三维重建、反射移除等领域。由于卷积神经网络的高阶非线性表征特性，一方面其可以对复杂的成像介质和成像场景实现更高维信息的提取，大大提升了复杂环境中物理特性的信息解译和重建效果，从而优化自然环境、散射介质、噪声、杂光干扰、低动态、生物组织等低信噪比成像环境的成像结果;另一方面，偏振信息的引入，提供了额外的信息补充，拓展了现有基于强度信息的深度学习算法的应用范围，如目标分割、真假、伪装目标识别、医学诊断等，且进一步衍生出新的应用领域，如三维重建、物理信息转换等领域，为改善成像质量、提高目标解译准确性和推动新兴应用领域的发展提供了强大的工具和方法。
图2 数据驱动偏振成像的应用
总结与展望
数据驱动的偏振成像作为新型的交叉研究领域，可有效增强现有的信息解译和成像效果，拓展未知的应用领域。在未来的研究中，可以考虑与更多现有的物理模型进行更深入的结合，从而优化网络的训练结果，提升神经网络的可解译性，同时为更全面的合成数据集的生成提供研究基础。半监督学习、非监督学习、迁徙学习、多元学习、联邦学习等多种深度学习架构，对减少数据集的依赖，进一步提升现有成像效果，拓展新的应用领域意义重大。同时利用新型的制造技术，如超表面和超透镜等新型光电器件，允许精确调制特定偏振状态的光，使得对偏振光信号的定制化获取、分离和解译成为可能，有望提高获取偏振数据集的灵敏度和准确性。因此，对数据驱动的偏振成像技术的进一步研究具有深入的探索空间和发展潜力。
