据介绍，压缩高速成像的核心难题，在于从复杂逆问题中高保真地重建动态序列。传统深度学习方法通常依赖于大量训练数据，且普遍存在泛化能力有限、易引入伪影等问题。而现有的物理增强框架大多局限于单一任务先验，难以有效应对超快成像场景中噪声、帧间串扰等多维度干扰带来的复合成像难题。

为此，研究团队提出多先验物理增强神经网络成像框架，团队创新性地将光致发光动力学物理模型、扩展采样先验、稀疏性约束、深度图像先验等多先验信息深度融入非训练神经网络。通过多重互补先验的协同修正，有效抑制了重建伪影、纠正空间畸变并提升空间分辨率，特别是在低光子条件下表现出较强的鲁棒性。

在此基础上，研究团队进一步构建了基于双光路同步采集与多先验物理增强深度学习融合的压缩高速成像系统。该系统采用脉冲激光作为激发光源，并通过数字微镜器件加载伪随机图案对动态场景进行空间编码。动态场景的光信号被划分为两个路径：在编码路径中，通过振镜扫描将时间信息转化为空间剪切偏移，并由CMOS相机捕获；在先验采样路径中，另一台同步的CMOS相机直接采集场景的未编码积分图像。系统通过数字延迟发生器与信号发生器协同调度，实现对光源、振镜与双相机的精密同步控制。最终，该系统结合人工智能赋能的图像重建方法，在维持高空间分辨率的同时，实现了高保真的高速动态成像。

基于该光路系统，研究团队提出的多先验物理增强深度学习方法在光致发光成像中展现了较高的保真度。实验结果表明，空间分辨率明显提升。

据介绍，该技术还展现出广阔的应用前景。研究团队已将其应用于食品安全检测领域，借助稀土掺杂上转换纳米探针，成功在酒精溶液中实现对合成色素苋菜红浓度的微秒级荧光寿命无损检测，为痕量物质的快速精准分析提供了全新技术路径。(完)