摘要

全息照相仅以记录强度的形式对样品的三维信息进行编码。然而，为了从其全息图像解码还原出原始样本图像，需要进行自动聚焦和相位恢复，这对于数字化处理而言通常是复杂且耗时的。本文展示了一种基于卷积神经网络的方法，该方法能够同时执行自动对焦和相位恢复，从而显著扩展景深和全息成像中的重建速度。为此，卷积神经网络通过使用随机散焦的后向传播全息图及其对应的相位恢复图像进行训练。在此训练阶段之后，卷积神经网络将三维样本的单次后向传播全息图作为输入信息，以快速实现相位恢复并在显著扩展的景深上重建样本的对焦图像。这种基于深度学习的自由度扩展方法是非迭代的，并且显著地将全息图像重建的算法时间复杂度从0（nm）提高到O（1），其中n是指样本体积内单个物体点或粒子的数量，m代表聚焦搜索空间，其中每个物体点或粒子需要单独聚焦。这些结果表面将机器学习应用于统计图像重建方法中的重要作用，本文所提出的方法可广泛适用于计算扩展其他成像模式的景深。

来源：https://www.osapublishing.org/optica/abstract.cfm?uri=optica-5-6-704

本文受译者委托，享有该文的专有出版权，其他出版单位或网站如需转载，请与本站联系，联系email：mail@opticsjournal.net。否则，本站将保留进一步采取法律手段的权利。