爆发！再进一步｜光学设计的AI革命：深度学习驱动的光学系统优化设计与前沿探索！

第一节：绪论

1.什么是光学成像？

2.光学成像的发展

第二节：光学成像重要概念

1.分辨率

2.视场和景深

3.像差

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.功能提升(相位、三维、穿透介质散射)

2.性能提升（分辨率、灵敏度、通量）

第一节：高动态范围成像

1.动态范围的概念

2.合并多曝光图像生成HDR

3.色调映射

第二节：融合技术

1.可见光与红外成像机理

2.异源图像融合

3.图像融合质量评价

第三节：像素分辨率提升

1.离散采样理论

2.成像系统分辨率限制因素

图像超分辨技术

第一节：深度学习相关基础知识，

1.了解python和pytorch的关系和联系

2.两大主流框架tensorflow和pytorch的介绍

3.了解深度学习工具，cuda和cudnn等

第二节：学习深度学习的代码环境

1.学习编译器pycharm的使用

2.了解python环境知识

3.使用anaconda配置虚拟环境并在pycharm中导入。

第三节：自己通过anaconda搭建环境

1.学习pip库的使用，使用pip下载库、卸载库以及更新库

2.搭建独立的环境，通过anaconda对每个环境进行管理，养成良好的编程习惯

第四节：理论知识部分

1.了解监督神经网络的基本原理

2.学习梯度下降算法和反向传播的思路。

第五节：卷积神经网络的基础讲解

1.让学员通过实例了解卷积的基础原理

2.如何通过卷积提取图片的特征（介绍minst手写数字的经典案例）

第一节：讲解超分辨率神经网络

1.何为对偶监督网络

2.网络的结构是怎样的

第二节：引入DRN超分网络

1.了解drn对偶超分网络的论文大概

2.准备和制作数据集，参数的介绍

3.了解对偶监督网络的核心创新点

第三节：如何从零开开始复现一个网络

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

第一节：环境准备

1.使用anaconda搭建drn网络的专属环境

2.激活环境，在pycharm中导入环境

3.如何根据报错解决环境问题

第二节：代码测试实战

1.介绍DRN网络中各文件夹的作用

2.如何通过DRN自带的pt文件进行测试

3.介绍option中不同参数会对网络测试和训练影响

第三节：代码训练实战

1.了解DF2K数据集的基本内容

2.如何训练一个网络

3.制作属于自己的数据集进行训练

第一节 深度学习与光学设计 

1.1.光学设计概述 

1.2.深度学习在光学系统的应用 

1.3.深度学习在光子器件的应用 

1.4.深度学习光学设计的优势 

1.5.深度学习光学设计的发展趋势与挑战

1.6.关于超表面

1.7.前沿设计与综合应用简述

图：Timeline of artificial intelligence and related optical and photonic implementations [Nature, 588, 39–47 (2020)].

第二节 光学基础 

2.1 几何光学基本定理 

2.1.1 几何光学原理 

2.1.2 光在介质中的传播 

2.2 光的电磁理论基础 

2.2.1 自由空间麦克斯韦方程组

2.2.2 平面电磁波及其性质  

2.2.3 球面波和柱面波 

2.2.4 光波的辐射和辐射能 

2.2.5 光在电介质分界面上的反射和折射 

2.2.6 光在金属表面的反射和透射 

2.2.7 光的吸收、色散和散射 

2.2.8 波的叠加原理 

2.3 成像的基本概念 

2.4 光学系统的像质评价 

2.4.1 瑞利判据 

2.4.2 中心点亮度和能量包容图 

2.4.3 分辨率与点扩散函数 

2.4.4 星点检测法 

2.4.5 光学传递函数 

第三节 仿真软件设计辅助软件 

3.1 Zemax 软件 

3.2 Zemax 软件的界面 

3.3 Zemax 软件的基本操作 

3.4 应用实例

第一节 深度学习基础 

1.1 机器学习 

1.1.1 日常生活中的机器学习 

1.1.2 机器学习中的关键组件 

1.1.3 各种机器学习问题 

1.1.4 深度学习 

1.2 深度学习环境的搭建 

1.2.1 Anaconda 安装 

1.2.2 TensorFlow框架

1.3 Python 常见的数据结构与数据类型 

1.4 TensorFlow的基本操作 

1.4.1 数据操作 

1.4.2 数据预处理 

1.4.3 线性代数 

1.4.4 自动微分 

1.4.5 概率

第二节 深度神经网络模型 

2.1 线性神经网络实例 

2.1.1 线性回归 

2.1.2 softmax 回归 

2.2 多层感知机实例 

2.2.1 多层感知机 

2.2.2 模型选择、欠拟合和过拟合 

2.2.3 权重衰减 

2.2.4 暂退法（Dropout） 

2.3 卷积神经网络实例 

2.3.1 从全连接层到卷积 

2.3.2 多输入多输出通道 

2.3.3 汇聚层 

2.3.4 卷积神经网络（LeNet） 

2.4 循环神经网络实例 

2.4.1 序列模型 

2.4.2 语言模型和数据集 

2.4.3 循环神经网络 

2.5 生成对抗网络实例 

2.5.1 概率生成模型 

2.5.2 变分自编码器 

2.5.3 生成对抗网络 

2.6 基于注意力机制的 Transformer 架构 

2.6.1 注意力机制 

2.6.2 自注意力机制 

2.6.3 Transformer

第一节 监督学习过程 

1.1 DNN 模型介绍 

1.2 自归一化神经网络参数初始化方法 

1.3 SELU 函数及使用 

1.4 Softplus 函数及使用 

1.5 其他激活函数

1.6 最邻近搜索算法 

1.7 监督损失函数的构建 

第二节 半监督学习过程 

3.1 超参数设置 

3.2 监督函数 

3.3 模型可靠性的讨论与验证

全光衍射神经网络

第一节 标量衍射理论基础 

1.1 惠更斯-菲涅耳原理 

1.2 广义斯涅尔定律 

第二节 光学衍射深度神经网络 

2.1 人工神经网络结构 

2.2 光学衍射深度神经网络 

2.3 空间域光学衍射深度神经网络 

2.3.1 网络设计方案 

2.3.2 网络训练 

2.3.3 网络性能分析 

2.4 频率域光学衍射深度神经网络 

2.4.1 光学衍射深度神经网络的局限性 

2.4.2 频率域光学衍射深度神经网络 

2.4.3 网络性能分析

图：All-optical machine learning using diffractive deep neural networks [Science, 361, 1004–1008 (2018)].

全光衍射神经网络

第一节 超材料 

1.1 超材料概述

1.2超材料在光场调控中的作用

1.3数值计算案例

1.3.1 光子晶体带隙分析

1.3.2 频率选择表面周期性互补开口谐振环

1.3.3 超表面光束偏折器

1.4 超材料在量子光学中的研究与应用

1.4.1 超表面聚焦

1.4.2 超材料成像

1.4.3 波极化控制

图：Reconfigurable image processing metasurfaces with phase-change materials [Nat. Commun., 15, 4483 (2024)].

1.5超材料设计与仿真实现

1.5.1 简单设计一种超材料

1.5.2 仿真验证其性能

第二节 深度学习超材料实例 

2.1 神经网络网络模型进行逆向设计 

2.4基于深度学习的宽带消色差透镜设计

图：Frequency-Controlled Focusing Using Achromatic Metasurface [Adv. Optical Mater., 9, 2001311 (2021)].

图：Metasurface-empowered snapshot hyperspectral imaging with convex/deep (CODE) small-data learning theory [Nat. commun., 14, 6979 (2023) ]

图：Multiplexed supercell metasurface design and optimization with tandem residual networks [Nanophotonics, 10, 1133–1143, (2021)]