Mixing and demixing optical information: Reconstructive Spectrometer & Deep Learning-enabled Holography

报告将探讨光学信息的混合与解混方法，重点应用于光谱仪与全息成像。第一部分介绍一种双层无序超表面构成的随机色散元件，可在空间-光谱域中以极高自由度可控地混合光学信息，并结合计算机生成的散斑库实现传感器上光谱仪的解混重建。第二部分将展示基于深度学习的同轴全息成像方法，该方法旨在从物体的衍射强度图中解混复值物体函数，属于病态逆问题。

报告将重点讨论如何将物理前向模型与多种学习框架结合，以在扰动配置下求解此类逆问题。

Mooseok Jang 是韩国科学技术院（KAIST）生物与脑工程系的副教授。他于2009年在KAIST获得物理学学士学位，2016年在美国加州理工学院（Caltech）获得电气工程博士学位。博士期间参与了数字光学相位共轭的开创性工作，并提出乱序工程化超表面的概念。

他的研究方向聚焦于复杂光学、深层组织成像以及计算成像技术的交叉领域。