近日，我院刘伟、孙云旭团队联合香港大学Kenneth K. Y. Wong团队以及香港理工大学赖溥祥（Puxiang Lai）团队，在国际期刊《Advanced Photonics Nexus》上发表最新研究成果，题为”Prior-enhanced deep learning for anti-disturbances imaging through dynamic multimode fibers”。该论文的第一作者为哈尔滨工业大学（深圳）硕士生郑军。

单根多模光纤（MMF）成像在内窥镜微型化和低成本化方面展现出巨大潜力，但其实际应用一直受制于一个关键的脆弱性：传输光对动态的光纤形变（如物理干扰和漂移）极其敏感，这些形变会严重破坏携带图像的散斑图样。针对现有深度学习网络在应对现实中广泛且不可预测的动态干扰时泛化能力有限的问题，研究团队提出了一种新颖的先验驱动稳健成像网络（PRIN）。PRIN的架构受混合专家（MoE）模型启发，能够智能地融合多个时空先验嵌入，以精确引导图像的重建过程。

研究团队利用0.5米长的阶跃折射率多模光纤，在多种动态干扰条件下对该方案进行了严密的实验验证。结果表明，在广泛的未知光纤构象变化下，该网络能够稳定重建高保真图像，实现了媲美静态条件下基准网络U-Net的重建精度，在动态条件下的验证损失，甚至低于U-Net在纯静态条件下的损失。这项研究不仅为抗干扰成像提供了一个高度稳健且具可解释性的深度学习新范式，也将推动单根多模光纤成像技术向临床内窥镜应用的转化。