智能算法實現高分辨率高精度相位成像和測量

不同方法對（a）蛔蟲卵和（b）水蚤后足的成像結果，包括最終重建的相位圖及其相應的光學厚度測量。論文作者供圖

　　雙波長同軸數字全息（Dual-wavelength in-line digital holography , DIDH）是高精度定量相位成像的常用方法之一。然而，在實際DIDH成像中，兩個固有因素往往影響成像的質量：一是每個單一波長成像的噪聲會出現在雙波長全息圖中，導致相位重建中噪聲放大的問題；二是孿生像問題影響同軸數字全息的成像質量。

　　中科院西安光機所瞬態光學與光子技術國家重點實驗室姚保利研究員課題組，通過光路改進或者算法補償等方法來解決上述兩難題，其研究成果在線發表于新出版的《光子學研究》(Photonics Research)上。

　　據姚保利介紹，深度學習技術憑借其噪聲抑制或孿生像抑制能力，成為DIDH成像的有力工具。“但是，當前大多數基于深度學習的方法依賴于監督學習和訓練實例，即需要大量的訓練集來優化其權值和偏差。”姚保利進一步指出，“而在雙波長同軸數字全息成像中，由于噪聲放大、孿生像以及成像系統穩定性等影響，使得實際應用中不太可能獲得足夠數量的真值圖像用于訓練，因而限制值了該類神經網絡在DIDH中的廣泛應用。”

　　為此，該課題組提出了一種用于DIDH成像的非訓練神經網絡，即DIDH-Net，可以從DIDH成像數據中重建出噪聲和孿生像雙重抑制的目標相位分布。

　　姚保利指出，DIDH-Net將神經網絡成像結果與用于光學DIDH成像的特定模型相結合，從而避免了傳統網絡訓練所需的極大數據量。此外，該DIDH-Net不需要對成像參數或操作（例如相移、訓練數據等）進行額外修改，便可實現高分辨率和高精度相位成像和測量。

　　學科相關專家認為，由于沒有任何用于訓練的標記數據，DIDH-Net僅需對圖像形成機制進行相對精確的建模，繼而將該物理模型與傳統的深度神經網絡相結合，就可以有效且準確地用單幅DIDH成像重建物體的相位分布信息。為此，該項研究成果可以為DIDH提供魯棒的相位重建和高精度的光學厚度測量，并可為其他數字全息成像方案提供借鑒。