颠覆传统思路！轰动学界的重磅进展！引爆光学领域新风口

深度学习通过数据驱动的思想建模，从大量数据中学习研究目标的规律与特征，为解决光子学结构设计面临的问题提供了新方向。例如，深度学习可以用于预测和优化光子学结构的性能，实现更高效、更精确的设计。

在光子学结构设计领域，深度学习已被应用于多个方面。一方面，深度学习可以帮助设计超构材料、光子晶体、等离激元纳米结构等复杂的光子学结构，以满足高速光通信、高灵敏度传感和高效能源收集及转换等应用需求。另一方面，深度学习还可以用于优化光学元件的性能，如透镜、反射镜等，以实现更好的成像质量和更高的光学效率。

此外，深度学习在光学设计领域的应用还推动了其他相关技术的发展。例如，深度学习可以用于实现智能光学成像系统，通过自动调整光学元件的参数来适应不同的成像需求。同时，深度学习还可以用于实现高效的光学计算和信息处理，为光学计算和信息处理领域的发展提供了新的思路和方法。

总之，深度学习在光学设计领域的应用为光子学结构的创新提供了新的机遇和挑战。未来，随着深度学习技术的不断发展和完善，相信它将在光学设计领域发挥更加重要的作用。

计算成像是集光学、计算科学、信息科学于一体的新兴交叉领域技术。该技术基于多维光场调控与解调的信息传输原理，利用前端光电成像系统与后端数据处理的“一体化设计”，解决光场信息维度与探测维度不匹配的问题，从而有效提升感知能力和探测性能，目前已成为光电成像领域的前沿方向。其中，散斑成像能够通过调控散斑场来实现强散射光成像，打破了光散射妨碍成像的传统观点；空域和时域压缩计算成像通过对光场信号的编码，能够突破半导体工艺、大量数据传递与处理对高分辨率、高速探测器的限制；压缩计算光谱成像结合光学调制、复用探测与计算重构，解决了传统光谱成像中系统复杂、数据采集效率低和分辨率受限的问题。详细介绍这3类计算成像模式的原理方法和最新研究进展，分析当前尚存的问题，并对这类技术的未来发展方向进行了展望。

第一章：光学成像基础

第一节：绪论

1.什么是光学成像？

2.光学成像进展

第二节：光学成像重要属性

1.物距、焦距、空间带宽乘积

2.分辨率、视场、景深

3.球差、慧差、场曲、畸变、色差、像差

4.点扩散函数、调制传递函数

第三节：成像质量评价指标

1.全参考评价

2.半参考评价

3.无参考评价

第四节：光学成像发展趋势

1.功能拓展 (相位、三维、非视距、穿云透雾、遥感)

2.性能改善（视场大小、分辨率、成像速度）

3.系统优化（小型化、廉价化、高效制造）

第二章：典型计算成像

第一节：计算机断层扫描（CT）成像

1.基本原理（X射线投影与探测）

2.基于深度学习的计算重建

3.技术进展与应用

第二节：压缩感知成像

1.稀疏表示与测量

2.典型重建算法与优化

3.压缩感知成像计算重建

4.应用与发展趋势

第三节：编码孔径成像

1.编码孔径设计原理

2.成像系统特性与优势

3.基于深度学习的图像重建

4.典型应用概述

第四节：非视距成像

1.成像场景概述

2.光传播模型与测量

3.成像重建算法

4.技术挑战与未来发展

第五节：无透镜成像

1.成像系统

2.光传播模型建模

3.基于深度学习的计算重建

4.技术挑战及发展

第三章：实操软件介绍及运行（实践）

第一节：Python环境的搭建

1.了解anaconda的安装

2.运行环境创建及激活

3.学习编译器spyder的使用

4.Shell脚本的使用

第二节：Python基本操作

1.变量、数据类型、控制流

2.函数、文件操作

第三节：深度学习环境实践

1.pytorch框架介绍

2.学习编译器spyder的使用

3.Shell脚本的使用

第四节：简单的深度学习网络实操

1.学习深度学习网络学习所需文件、运行方式

2.了解数据集导入、了解网络训练、了解网络测试

第四章 最优化理论基础

第一节：引言与基础概念

1.最优化概述与定义

2.最优化问题的分类与形式化表示

3.目标函数与约束条件的基本概念

4.最优解的定义与性质

5.常见的最优化应用场景与实例 

6.稀疏理论及其分析

第二节：单变量最优化方法及其编程（理论+实操）

1.单变量函数的最大值与最小值

2.黄金分割法与二分法

3.牛顿法与割线法

4.收敛性与收敛速度分析

5.实际问题中的应用与限制

第三节：多变量无约束优化及其编程（理论+实操）

1.多变量函数的最优化问题

2.梯度下降法与共轭梯度法

3.牛顿法与拟牛顿法

4.收敛性与局部最优解

5.凸优化的基本理论与方法

第四节：多变量约束优化（理论+实操）

1.等式约束与不等式约束的最优化问题

2.拉格朗日乘子法

3.KKT条件与约束优化的求解策略

4.内点法与序列二次规划方法

5.实际问题中的应用与复杂性分析

第五节：典型最优化方法

1.最小二乘法

2.ISTA方法

3.ADMM方法

4.方法编程实现（实操）

第五章 深度学习基础

第一节：深度学习相关基础

1.了解神经网络的基本原理

2.了解反向传播和链式梯度计算

第二节：主流神经网络构型讲解

1.典型卷积网络介绍（ResNet、UNet）

2.Transformer

3.MLP

第三节：神经网络训练策略

1.全监督

2.弱监督（半监督）

3.无监督（自监督）

4.迁移学习（蒸馏、域自适应）

第四节：典型神经网络的搭建及训练（实操）

主要对ResNet、UNet等选一二作为例子，搭建全监督、弱监督、无监督等训练模式，进行实操

第六章 计算成像实践

第一节：基于最优化理论的计算成像设计（理论+实操）

（选取典型的计算成像示例，通过最优化理论进行计算重建）

1.目标函数设计

2.优化算法选择

（选择合适的优化算法进行目标函数的求解，如梯度下降法、共轭梯度法、交替方向乘子法（ADMM）等）

3.噪声处理与鲁棒性增强

（在重建过程中考虑噪声的影响，通过加入正则化项或鲁棒优化技术，提高算法的抗噪性和鲁棒性）

3.实操示例

第二节：基于深度学习的计算成像设计（理论+实操）

（选取典型的计算成像示例，通过典型的神经网络进行计算重建）

1.系统架构设计和数据处理

2.深度学习模型设计及训练

3.算法优化策略与实现

4.性能评估

第七章 新兴深度神经网络设计实战（创新实践）

第一节：最优化理论的深度展开

1.最优化理论和深度学习的碰撞

2.如何将最优化方法展开成网络

第二节：讲解优化理论的深度展开具体设计

1.了解迭代收缩阈值网络论文大概

2.准备和制作数据集，参数的介绍

3.了解迭代收缩阈值网络的核心设计

第三节：如何从零开开始复现典型的迭代收缩阈值网络

1.学习阅读代码中的readme文档

2.了解代码执行的核心思想

3.介绍如何通过终端执行命令

第四节：将构建的迭代收缩阈值网络应用于无透镜计算成像实战

1.了解ImageNet数据集的基本内容及数据集整理

2.如何训练面向无透镜成像的新兴深度神经网络

（1）线上授课时间和地点自由，建立专业课程群进行实时答疑解惑，理论＋实操授课方式结合大量实战案例与项目演练，聚焦人工智能技术在超材料设计领域的最新研究进展，课前发送全部学习资料，课程提供全程答疑解惑；

（2）完全贴合学员需求的课程体系设计，定期更新的前沿案例，由浅入深式讲解，课后提供无限次回放视频，免费赠送二次学习，发送全部案例资料，永不解散的课程群，可以与相同领域内的老师同学互动交流问题，让求知的路上不再孤单！