傅里葉疊層成像（FPM）是近年提出的一個可以獲得大視場、高分辨率圖像的測量方法。FPM的裝置類似光學顯微鏡，只是將光源替換成一個LED陣列，通過按特定順序點亮單個LED照明時在相機端獲得一系列低分辨率（LR）圖像，由于不同低分辨率圖對應著樣本頻譜中的特定子區域，故可以通過優化算法在頻域中將低分辨率圖片的信息進行融合，獲得超出系統物鏡極限分辨率并保留其原有視場的高分辨率振幅和相位圖片。
用于FPM的傳統算法（如GS、AS）通常將系統的傳遞函數默認成相干傳遞函數（CTF），即認為系統的成像過程為相干成像。然而由于LED光源的部分相干性以及系統中的像差使得簡單的采用CTF作為傳遞函數將影響算法的收斂性和魯棒性，導致其出現收斂錯誤，使重建高分辨率圖片的質量偏低，這種錯誤在像差較大的邊緣視場處尤為明顯。
為了解決該問題，中國科學院長春光學精密機械與物理研究所應用光學國家重點實驗室液晶光學課題組提出了基于神經網絡結構的恢復算法（FINN-P），并將光瞳函數的恢復過程嵌入其中。該算法可以正確地恢復出系統的光瞳函數并以此對高分辨率圖進行重建，提升了算法的魯棒性，降低了光源的相干性以及系統像差對重建結果帶來的影響，并成功地解決了傳統算法在視場邊緣處會出現收斂錯誤的問題。對分辨率板和實際生物樣本圖片使用該算法處理后，圖像質量有了明顯提高。課題組孫銘璐、李大禹、穆全全等將相關結果以Neural network model combined with pupil recovery for Fourier ptychographic microscopy 為題發表在Opt. Express（2019年, 27卷, 17期, 24161-24174）上。
裝置示意圖
對分辨率板圖片使用該算法的處理結果
對實際生物樣本圖片使用該算法的處理結果