光与自然世界的关系是光学的永恒话题。一方面，不断发展的成像设备、更加先进的处理方法帮助人类留住自然世界稍纵即逝的光影信息；另一方面，多学科交叉融合拓展了光学研究的维度，为人类重现和理解微观世界提供了更加丰富多彩的方法。近年来光学显微成像技术逐渐由传统成像模式进入计算及智能显微成像时代，逐步摆脱以光学成像系统直接捕捉目标图像的成像方式，取而代之的是通过采集数据计算重构的间接成像方式。
该方式利用波动光学、几何光学等理论建立成像目标经光学照明直至探测器采集这一完整成像过程的精确正向数学模型，通过求解该正向模型所对应的“逆问题”，继而以计算重构的模式来获得传统显微技术无法或难以直接获得的样品多维高空时分辨信息。
其中以数据驱动为代表的深度学习技术和以物理模型驱动为代表的压缩感知技术，改善了实际成像物理过程的不可预见性与高维病态逆问题求解的复杂性，从而也为显微成像技术发展开启了新的大门。
中国科学院西安光学精密机械研究所瞬态光学与光子学国家重点实验室姚保利研究员领导的先进光学显微成像研究团队，在结构光照明显微、数字全息显微、光片荧光显微、双光子荧光显微、光学微操纵、以及智能光学显微计算成像技术与成果转化等方面，经过多年的发展取得了丰硕的成果，建立了具有超分辨率和光学切片能力的SIM仪器、商业化光镊产品。其中，显微成像的智能化可以实现更好的分辨率、更好的系统稳定性和更多成像功能。
近年来，团队结合光片荧光显微成像、结构光照明显微成像、定量相位成像等显微成像领域的新技术与新方法，开展了基于深度学习和压缩感知的光学显微成像技术，不但解决了其中难以解决的成像速度问题，还在成像功能、信息获取维度、性能指标（如成像时间和空间分辨率、信噪比等）上都获得了显著提升，形成了具有高分辨、大视场、三维、快速等特性的新型光学显微成像技术。
深度学习是机器学习的重要分支，也是人工智能研究的重要方向。2006年，多伦多大学Hinton等人提出了深度学习的相关概念，自此深度学习受到了全球众多公司、科研机构和高校的关注，各种各样的深度学习算法和应用层出不穷，为科研与经济的发展做出了重要贡献。
深度学习已成为数学、计算机技术、电子信息技术、自动控制技术、神经科学等多个研究学科交叉结合并发展的新兴学科，在图像处理、语音识别、计算机视觉等领域有着十分重要的应用。互联网技术的蓬勃发展指引着大数据时代的来临，以数据驱动的深度学习技术无疑是大数据时代的算法利器。
深度学习的核心：自动从大规模数据中学习特征，并把结果向同类型未知数据泛化。
为了提高显微成像的速度或减少3D成像所需的数据量，团队研究了基于深度学习的快速计算显微成像方法，先后提出了：快速光片荧光显微增强成像方法。压缩盲解卷与降噪的互补光束相减光片荧光显微成像，可以减少离焦背景，消除成像过程中产生的噪声和模糊。然而，这种成像需要两次扫描，且计算量较大。
团队发展了基于深度学习的光片荧光显微成像，通过一次扫描直接从传统的贝塞尔光束光片成像中重建出高质量的图像，从而显著提高成像系统的吞吐量，并有效降低了存储需求和大规模计算的复杂度。
压缩感知用以提高光学显微成像分辨率和信噪比。对于典型的光学显微成像系统而言，它主要由照明、样品、成像、探测四部分构成。
照明光与样品发生作用后，成为其本质信息（如吸收、相位、光谱、三维形貌、折射率等）的载体，通过对照明与成像系统进行光学调控使物体的本质信息转化为光强信号并由探测器离散采集，最后对整个成像过程进行数学建模并通过相应的重构算法对样品本质信息进行反演，获得样品的图像或其他所感兴趣的高维物理信息。实际上，该类反演通常是一种病态的逆问题求解，往往需要引入被测物体的先验作为正则化手段限定解空间以使其良态化。
压缩感知与重构基本原理。团队利用压缩感知技术，研究了高分辨高信噪比显微成像，其中的典型代表如：基于压缩盲解卷与降噪的互补光束相减光片荧光显微成像CBDD。
针对贝塞尔光束的旁瓣在扫描光片荧光显微镜中产生离焦背景，从而限制了轴向分辨率的科学问题，团队将多重压缩感知降噪和盲稀疏解卷进行统一，以显著降低离焦背景，继而结合互补光束相减成像法，可以有效降低双扫描和减背景操作中由于系统不稳定引起的模糊和噪声对图像质量的影响。该方法能有效地抑制噪声，提高信噪比，同时改善成像分辨率，从而提升光片荧光显微镜的成像性能。
总之，智能光学显微成像借助于智能与计算成像技术，能够以简单光学系统获取高性能的影像，从而突破了传统的光学成像模式，赋予了传统显微镜无法具有的新颖成像功能，提供超越传统成像技术与人类视觉的感知力，继而推动新型光学显微成像模式的不断发展。