栏目介绍： “论文快讯”栏目旨在精简地分享一周内发表在高水平期刊上的Metasurface领域研究成果，帮助读者及时了解领域前沿动态，如果对专栏的写法或内容有什么建议欢迎留言，后续会陆续开启其他专栏，敬请期待。

• • 论文基本信息

    • 标题: Advanced Quantitative Phase Microscopy Achieved with Spatial Multiplexing and a Metasurface

      作者:
      共同一作：Junxiao Zhou（加利福尼亚大学圣地亚哥分校电气与计算机工程系）
      共同一作：Ang Li（加利福尼亚大学圣地亚哥分校电气与计算机工程系）
      Ming Lei（加利福尼亚大学圣地亚哥分校电气与计算机工程系）
      Jie Hu（加利福尼亚大学圣地亚哥分校电气与计算机工程系）
      Guanghao Chen（加利福尼亚大学圣地亚哥分校电气与计算机工程系）
      Zachary Burns（加利福尼亚大学圣地亚哥分校电气与计算机工程系）
      Fanglin Tian（加利福尼亚大学圣地亚哥分校电气与计算机工程系）
      Xinyu Chen（加利福尼亚大学圣地亚哥分校电气与计算机工程系）
      Yu-Hwa Lo（加利福尼亚大学圣地亚哥分校电气与计算机工程系）
      Din Ping Tsai（香港城市大学电气工程系）
      通讯作者：Zhaowei Liu（加利福尼亚大学圣地亚哥分校电气与计算机工程系）

      发表时间: 2025年1月21日（其中2024年11月27日投稿，，2025年1月17日返修，2025年1月17日接收）

      发表期刊: Nano Letters（JCR-Q1， IF=9.6）

• 论文快览：

  • 解决的问题：
    定量相位成像（QPI）能够提供比传统图像形状和大小更深层次的信息，对于生物医学成像至关重要。然而，基于干涉的QPI方法常面临环境稳定性、分辨率限制和计算繁琐的问题。为提升成像速度和精度，现有QPI方法普遍依赖于多次强度测量和繁琐的迭代计算。

    提出的方法：
    本文提出了一种基于功能性超表面和深度学习的单次拍摄QPI方法。通过在成像系统中引入超表面，利用其对左旋和右旋圆偏振光的不同聚焦与偏转特性，同时采集两张轻微模糊的图像。这种设计消除了传统QPI需要移动样品或相机的限制，从而大幅提高了成像速度。通过深度学习与强度传输方程（TIE）结合，快速重建相位信息。

    实现的效果：
    实验表明，利用此方法，系统在对校准物体和生物样本进行相位恢复时，误差低至5%。并且，通过训练的神经网络，快速获得更高质量的相位重建，增强了QPI系统的空间带宽产品，提高了成像分辨率和检测速度。该方法在实验中表现出显著的成像速度和精度提升。

    创新性分析：
    本文的创新性体现在算法创新和硬件设计创新上。通过结合深度学习和超表面，首次提出一种无需多次测量的单次拍摄QPI方法，突破了传统QPI方法的成像速度瓶颈。该系统大大简化了成像过程，并提高了计算效率，具有广泛的应用潜力，特别是在生物医学和细胞成像领域。

论文重要图文：

• **摘要：**定量光学相位信息提供了一种替代方法，用于观察常规相位成像无法捕捉到的生物医学特性。相位恢复通常需要多次强度测量和迭代计算，以确保唯一性并提高抗检测噪声的鲁棒性。为了提高测量速度，我们提出了一种基于超表面光学的单次拍摄定量相位成像方法，该方法可以方便地集成到传统成像系统中，且修改最小。通过结合深度学习和强度传输方程，测量速度的提升得以实现。作为概念验证，我们通过使用集成了我们超表面的成像系统，演示了在已校准的相位物体和生物样本上的相位恢复。当与匹配的神经网络结合时，该系统的误差低至5%，并且提高了空间带宽积。我们提出的方法的紧凑性和快速实施可使多种商业应用受益。

图1.
(a) TIE-QPI管道。在4f系统中，右旋圆偏振（RCP）分量在探测器平面之前聚焦，而左旋圆偏振（LCP）分量在探测器平面之后失焦。
(b) 超表面使左旋圆偏振（LCP）和右旋圆偏振（RCP）光分别向不同方向发散和汇聚的能力。
© 捕获的CCD图像，包含远视和近视的强度图像，使用深度学习技术进行定量相位重建处理。

图2.
制备样本的表征和超表面模拟的强度分布。
(a) 超表面的照片；
(b) 双折射图像；
© 光轴分布的示意图；
(d) 相位延迟图像。比例尺，200 μm；
(e) 依赖于波长的透射率（T，绿色）和反射率（R，红色）；
(f) 样本的扫描电子显微镜（SEM）图像。比例尺，20 μm。插图，放大的SEM图像，比例尺500 nm；
(g-k) 在不同传播平面上的xy平面强度分布，如（l）中的虚线所示。比例尺为3 mm；
(l) 沿xz平面的模拟强度分布。比例尺，20 mm。

图3.
超表面功能实验。
(a) 实验装置；
(b) 捕获图像的强度分布。

图4.
为了测试提出的方案，实验中使用了四种不同厚度的相位物体，分别为50 nm（b-f），75 nm（g-k），100 nm（l-p）和125 nm（q-u）。
(b-u) 左侧的两幅面板表示远视和近视图像，接下来的面板分别为基于TIE的QPI图像、深度学习辅助的QPI图像和原子力显微镜（AFM）图像。比例尺变为125 nm。
(v-z) 深度学习辅助的QPI在生物样本中的实验结果。
(v) CCD捕获的原始图像，接下来的三幅面板分别为远视和近视图像的强度差异、生成的QPI图像以及QPI的感知视图。

图5.
(a) 每个模块包含一个卷积层和一个激活层，标记的数字表示滤波器大小。2D下采样过程通过最大池化层（Max Pooling）实现，上采样过程通过插值进行。跳跃连接通过将下采样和上采样过程中的输出在每一层进行连接来实现。展示了深度学习应用于不可分的数据。
(b-d) 输入的描述；
(e-g) 预测的QPI图像；
(h-j) 真实图像；
(k-m) 预测与真实图像之间的差异。比例尺为20 μm。

参考文献：

• Junxiao Zhou, Ang Li, Ming Lei, Jie Hu, Guanghao Chen, Zachary Burns, Fanglin Tian, Xinyu Chen, Yu-Hwa Lo, Din Ping Tsai, and Zhaowei Liu

  Nano Letters Article ASAPDOI: 10.1021/acs.nanolett.4c06039

免责声明：
本公众号专注于超表面领域的最新研究动态、学术成果和技术应用分享。所有发布的内容和图片，均已标明来源，且仅供个人学术学习和知识积累使用，不得用于商业目的。如您发现任何版权或相关问题，欢迎通过邮箱 metasurface@126.com 联系我们，我们将尽快处理并协调相关事宜。