压缩超快成像(compressed ultrafast photography,CUP)是目前最快的被动式单次超快光学成像技术,它通过数据获取和图像重构两个步骤实现超快事件的捕捉,已发展为记录不可逆或难以重复超快事件的一种有力工具,且能够探测荧光动力学等自发光瞬态场景.然而,传统的迭代优化型算法在图像重构上的保真度较低,而端到端型深度学习算法则严重依赖训练数据,训练复杂度高、通用性不足,这限制了CUP对超快现象进行高空间分辨率的观测.为此,我们开发了一种新型的免训练自监督式神经网络算法,其通过即插即用框架(plug-and-play,PnP)与深度图像先验(deep image prior,DIP)的结合可实现CUP的低复杂度高保真图像重建,简称为PnP-DIP算法.PnP-DIP基于交替方向乘子法(alternating direction method of multipliers,ADMM),利用DIP和PnP去噪器解决图像恢复子问题,可以在防止数据过拟合和噪声累积的同时,显著提高图像重建的精度与收敛速度.通过数值模拟,我们理论上证明了PnP-DIP算法在重构原始动态信息方面相比传统ADMM算法具有更高的保真度.同时,我们分别利用PnPDIP对自主研制CUP系统观测的皮秒激光脉冲和X射线闪烁体的时空强度演化数据进行重构,实验上验证了其优越的图像重构性能.这一研究有望推动CUP在高时空分辨观测需求中的应用,并为超快动力学的实时探测作出重大贡献.
