Advanced Photonics | 深度学习对数字全息重建算法的革新和启示

数字全息是一种能够记录三维物体全部波前（振幅和相位）信息的成像技术，广泛应用于很多领域。三维物体的二维全息图可以利用干涉仪和图像传感器记录并保存在计算机中。由于其非侵入和无标签的特性，数字全息广泛应用于生物显微成像、空气质量/水质监测以及表面表征的定量测量等。

在拍摄到一幅数字全息图后，可以利用算法在电脑中重建出所拍摄的三维物体。传统的重建方法虽然有效，但需要关于成像系统的先验知识和若干项繁琐操作后才能得到正确的重建结果。

对于基于全息技术的定量相位成像，为了得到微观物体真实的轮廓信息，首先必须通过硬件或数值的方式补偿成像系统带来的相位畸变，并且随后需要对补偿后的相位进行解包裹来恢复物体真实的相位信息。其中，畸变补偿需要额外的硬件或数学上的假设，而相位解包裹算法通常对噪声非常敏感。

此外，对于三维物体来说，一幅扩展景深的重建图像以及空间深度图在许多应用场景下极其有用，但是目前相应的全息重建方法对于计算资源要求很高，导致计算速度非常缓慢。

近年来，深度学习技术逐渐展示了其在全息领域的应用潜力。Nguyen等提出了一种应用于数字全息显微中相位像差补偿的简化U型网络 (Opt. Express 25, 13, 2017)。深度学习作为一个中间工具对带有畸变的解包裹后的图像进行预处理。 Rivenson等人将深度神经网络用于无透镜同轴数字全息系统，实现了对孪生像和二次干涉像的消除 (Light Sci. Appl. 7, 17141, 2018)。全息图在聚焦位置处的重建结果作为训练集被输入到网络中以进行训练。Wu等在片上全息显微系统中使用深度学习进行自动聚焦和相位恢复，从而实现了对显微镜焦深的扩展 (Optica 5, 6, 2018)。在该方案中，首先利用传统的自动聚焦和重建方法来对全息图进行重建，然后将结果作为输入送到网络中训练。

香港大学Edmund Y. Lam教授课题组提出了一种基于深度学习实现一体化解决上述全息重建问题的方法。基于残差网络原理，通过构建和训练一个端到端的深度卷积神经网络，并结合相应的实验和标签数据，使得全息重建可以避免传统方法中繁琐的操作，并且可以摆脱对系统硬件参数的依赖。定性的图片展示和定量的数值测量展示了基于学习的方法相对于传统方法的优势。另外，传统方法在计算上需要花费大量时间的弊端也得到了极大改善。

作者展示的这种数据驱动方法不仅可以重建出无需任何先验知识的无噪声图像，还可以处理相位成像以及扩展景深和深度图的生成。与此同时，这种方法可以适用于不同的数字全息实验系统，因此在生物和工业等领域有着潜在的应用价值。相关成果以End-to-end deep learning framework for digital holographic reconstruction为题发表在Advanced Photonics上。

图 1 (a) 深度学习流程图和HRNet结构示意图。该网络由三部分组成：输入、特征提取和输出。 网络的输入可以是振幅物体 (上)、相位物体 (中)或者三维物体 (下)的全息图，以上三种输入分别对应着不同的输出形式。中间的特征提取部分展示了网络的内部结构。(b)和(c)进一步说明了网络中的残差单元和子像素卷积的具体形式。

End

推荐阅读

首发前沿光学成果，放送新鲜光学活动

如需转载，请直接留言。

商务合作：高先生 13585639202（ 微信手机同号）

免责声明

       本文注明来源为其他媒体或网站的文/图等稿件均为转载，如涉及版权等问题，请作者在20个工作日之内来电或来函联系，我们将协调给予处理（按照法规支付稿费或删除）。

       最终解释权归《中国激光》杂志社所有。