来源：期刊VIP网 时间：
作者：齐亚昆;徐德民;崔晗;邱丽荣;赵维谦;
单位：北京理工大学光电学院“复杂环境智能感测技术”工信部重点实验室;
摘要：三维共焦拉曼光谱成像凭借独特的分子特异性和非破坏性原位分析能力，在材料、生物医学等领域得到了广泛应用。然而，其几何形貌分辨率不足的固有缺陷制约了更深层次的应用拓展。因此，提出一种基于残差密集通道注意力网络（RDCAN）的超分辨率图谱成像方法，实现三维共焦拉曼光谱图像到几何形貌的跨模态重建。首先设计端到端的深度学习网络，以残差密集网络为基础，充分融合局部与全局多尺度特征，并引入通道注意力机制动态优化特征权重分配，增强网络的特征提取能力；其次，利用自主搭建的激光差动共焦-拉曼光谱系统采集数据，其中共焦拉曼模块采集的三维光谱数据作为网络输入，差动共焦模块同步获取的几何形貌数据作为真值进行训练，最终实现几何形貌的重建。实验结果表明，重建结果的峰值信噪比达到27.4 dB，结构相似度达到0.98，与差动共焦显微镜测量结果接近。与传统方法相比，方法无需额外硬件即可在传统三维共焦拉曼光谱成像基础上扩展高分辨几何成像能力，实现光谱-几何形貌同源融合，为解决其在几何形貌分辨率上的局限性问题提供了创新解决方案。
关键词：光谱学;;拉曼成像;;超分辨率;;深度学习;;RDCAN
基金资助：高分辨高灵敏激光差动共焦拉曼-LIBS光谱联用显微成像技术及仪器（2022YFC3300702）;; 高性能激光差动共焦拉曼光谱显微成像关键技术及系统研究（U22A6006）
