在活体条件下对细胞和组织进行长时程高分辨观测，是理解免疫反应、神经活动及细胞动力学的重要手段。然而，在厚组织或复杂生物环境中，由于折射率分布空间不均匀，荧光信号在传播过程中会产生显著像差，导致图像模糊和结构失真。现有自适应光学方法在精度、稳定性或系统复杂度方面仍存在局限，尤其是在大像差或低信噪比条件下，难以获得可靠结果。因此，发展一种兼具高精度与鲁棒性的像差校正方法，对于推动活体显微成像具有重要意义。

针对上述挑战，清华大学戴琼海/吴嘉敏/卢志团队提出了一种潜空间增强的数字自适应光学方法（LEAO），通过结合光场显微的空间-角度数据与深度学习模型，实现对复杂像差的稳定估计。该方法利用自编码器将高维光场测量映射至潜空间，设计约束提取并解耦像差波前与样本结构的潜空间表征。在此基础上，估计器利用像差表征进一步输出连续波前分布，用于生成符合波动光学模型的点扩散函数，最终提升三维重建质量。蒸馏后的像差表征大幅提高了波前估计的效率和精准度，像差表征与结构表征的解耦则降低了结构变化对像差估计的干扰。

在系统评估中，LEAO在5个波长的大像差范围内保持稳定性能，并在3.4dB低信噪比条件下展现出较强鲁棒性。同时，其对不同角度采样数、空间采样率及多种光场显微系统均具有良好适应性。在包括小鼠淋巴结、大脑皮层及完整颅骨成像的多种活体实验中，LEAO均能够恢复更清晰的细胞结构，并支持大规模动态分析。例如，在淋巴结实验中，实现了毫米尺度视场内约5，000个免疫细胞的连续追踪；在脑成像中，提高了神经元识别数量及信号提取质量；在小鼠完整颅骨条件下，矫正了颅骨和手术材料引入的巨大像差，实现了创伤性脑损伤造模后对中性粒细胞10小时以上的动态观测。

图1. LEAO实现小鼠完整颅骨条件下长时程高保真炎症反应监测

LEAO从方法层面提供了一种融合波动光学建模与深度学习表示的新思路，使像差估计从依赖显式模型转向基于潜空间的物理表征。这种策略在复杂成像条件下展现出更好的稳定性与适应性，为多尺度活体观测提供了技术支撑。相关方法有望在免疫学和神经科学等领域得到进一步应用，并为未来发展更高保真度的显微成像系统提供参考。

该成果的通讯作者为清华大学戴琼海院士、吴嘉敏副教授及卢志助理教授。博士生曾昀敏为第一作者。团队近年来在光场显微、自适应光学及计算成像等方向持续开展系统性研究，并推动相关技术在生命科学中的应用。