单次曝光非相干自干涉数字全息术中的循环迭代相位移动策略

《Optics and Lasers in Engineering》：Recurrent iterative phase-shifting strategy for single-exposure incoherent self-interference digital holography

提出轻量级相位移网络结合循环迭代相位移策略，实现单次曝光傅里叶光学相关全息成像的高效三维重建，参数减少85.8%，适用于资源受限场景。

　　在现代光学成像技术中，非相干自干涉数字全息术（Incoherent Self-Interference Digital Holography）作为一种重要的三维成像手段，已经在多个领域展现出广泛的应用潜力。然而，该技术在实际应用中仍面临一些关键挑战，尤其是其对高速成像场景的适应性受限。传统的非相干自干涉全息术依赖于时间相位变化操作，以实现多步相位偏移，从而消除零阶和共轭图像带来的干扰。尽管这些方法在提高图像质量方面具有优势，但它们通常需要多个曝光步骤，这在快速成像应用中可能会导致记录时间过长，影响整体效率。

针对这一问题，本文提出了一种轻量级相位偏移网络（Lightweight Phase-Shifting Network, LPSN）以及基于该网络的递归迭代相位偏移策略（Recurrent Iterative Phase-Shifting Method, RIPSM）。LPSN的设计理念是通过数据驱动的方法，学习具有π/2相位偏移特征的全息图之间的映射关系，从而在减少参数数量的同时，提高计算效率和降低内存占用。这种轻量级网络不仅适用于资源受限的场景，还能够灵活部署，为实际应用提供更高效的解决方案。

RIPSM的核心思想是通过递归迭代的方式，将由LPSN生成的全息图多次反馈至网络中，以生成三个具有π/2相位偏移的全息图。这一策略不仅简化了传统多步相位偏移的流程，还使得单次曝光即可实现高质量的全息重建。这种创新方法在单次曝光的FINCH技术中具有重要意义，因为它有效解决了传统方法在记录时间上的限制，从而提高了非相干自干涉数字全息术的成像效率。

本文的研究基于FINCH技术的物理模型，其中使用了空间光调制器（SLM）来分束和调制光波，从而实现全息记录。在实际应用中，FINCH技术可能会受到零阶和共轭图像的干扰，影响图像质量。为了解决这一问题，传统方法通常采用多步相位偏移，但这会增加记录时间。本文提出的方法则通过LPSN和RIPSM的结合，使得单次曝光即可完成多步相位偏移的模拟，从而显著提升了成像效率。

在方法实现方面，本文设计了一种轻量级网络架构，使得每个输出全息图能够通过网络的递归处理生成三个具有π/2相位偏移的全息图。这种设计不仅减少了模型的复杂度，还提高了网络的泛化能力。通过将复杂的相位图转化为周期性条纹图案，LPSN能够在更广泛的输入条件下保持较高的重建精度。此外，该网络的设计还充分考虑了硬件限制，使其能够在资源受限的设备上实现高效的全息重建。

在实验验证方面，本文采用中文字符目标进行了实验，以验证所提出方法的有效性。实验中，训练好的LPSN处理实际获取的全息图，通过RIPSM生成具有π/2相位偏移的全息图。实验结果表明，该方法能够在单次曝光的情况下实现高质量的全息重建，从而证明了其在实际应用中的可行性。此外，实验还展示了LPSN在减少参数数量和提高计算效率方面的显著优势。

本文的研究成果不仅为非相干自干涉数字全息术提供了一种新的解决方案，还为其他相关领域的研究提供了参考。例如，在三维成像、干涉分析和单像素成像等领域，轻量级网络的设计和优化已经成为一个重要的研究方向。本文所提出的LPSN和RIPSM方法，结合了深度学习的优势与传统全息术的物理特性，为实现高效、准确的全息重建提供了一种新的思路。

此外，本文还探讨了不同相位偏移方法的优缺点。传统的多步相位偏移方法虽然能够有效消除干扰，但其对记录时间的要求较高，限制了其在快速成像中的应用。而本文提出的单次曝光方法则通过网络的递归迭代，实现了对多步相位偏移的模拟，从而在减少记录时间的同时，保持了较高的图像质量。这种方法的创新性在于，它不仅降低了计算复杂度，还提高了网络的泛化能力，使得其在不同的应用场景中都能保持良好的性能。

在实际应用中，本文所提出的方法可以用于各种资源受限的场景，例如便携式医疗诊断设备和物联网（IoT）应用。这些设备通常对计算资源和存储空间有严格的限制，因此需要一种轻量级的解决方案。LPSN和RIPSM方法正好满足了这一需求，它们不仅能够在有限的计算资源下实现高效的全息重建，还能够适应不同的硬件条件，从而提供更加灵活的部署方式。

总的来说，本文的研究成果表明，通过深度学习的方法，可以有效解决非相干自干涉数字全息术在高速成像中的瓶颈问题。LPSN和RIPSM方法的提出，不仅为单次曝光的FINCH技术提供了可行的解决方案，还为其他相关领域的研究提供了新的思路。未来，随着深度学习技术的不断发展，这种方法有望在更多的实际应用中得到推广和应用，从而推动非相干自干涉数字全息术的发展。

在研究过程中，本文还探讨了不同相位偏移策略对图像质量的影响。传统的多步相位偏移方法虽然能够有效消除零阶和共轭图像的干扰，但其对记录时间的要求较高，限制了其在快速成像中的应用。而本文提出的RIPSM方法则通过网络的递归迭代，实现了对多步相位偏移的模拟，从而在减少记录时间的同时，保持了较高的图像质量。这种方法的创新性在于，它不仅降低了计算复杂度，还提高了网络的泛化能力，使得其在不同的应用场景中都能保持良好的性能。

此外，本文还验证了所提出方法在实际实验中的可行性。通过使用中文字符目标进行实验，研究人员能够直观地观察到LPSN和RIPSM方法在单次曝光下的全息重建效果。实验结果表明，该方法能够有效生成具有π/2相位偏移的全息图，并且在图像质量上与传统多步相位偏移方法相当。这种结果不仅证明了该方法的可行性，还为未来的实际应用提供了坚实的理论基础。

在理论建模方面，本文基于FINCH技术的物理模型，详细分析了相位偏移过程对全息重建的影响。通过构建LPSN的网络结构，研究人员能够模拟多步相位偏移的过程，并在减少参数数量的同时，保持较高的计算效率。这种理论建模不仅为实验验证提供了依据，还为后续的研究提供了参考。

本文的研究成果不仅为非相干自干涉数字全息术提供了一种新的解决方案，还为其他相关领域的研究提供了新的思路。例如，在三维成像、干涉分析和单像素成像等领域，轻量级网络的设计和优化已经成为一个重要的研究方向。本文所提出的LPSN和RIPSM方法，结合了深度学习的优势与传统全息术的物理特性，为实现高效、准确的全息重建提供了一种新的思路。

在实际应用中，本文所提出的方法可以用于各种资源受限的场景，例如便携式医疗诊断设备和物联网（IoT）应用。这些设备通常对计算资源和存储空间有严格的限制，因此需要一种轻量级的解决方案。LPSN和RIPSM方法正好满足了这一需求，它们不仅能够在有限的计算资源下实现高效的全息重建，还能够适应不同的硬件条件，从而提供更加灵活的部署方式。

总的来说，本文的研究成果表明，通过深度学习的方法，可以有效解决非相干自干涉数字全息术在高速成像中的瓶颈问题。LPSN和RIPSM方法的提出，不仅为单次曝光的FINCH技术提供了可行的解决方案，还为其他相关领域的研究提供了新的思路。未来，随着深度学习技术的不断发展，这种方法有望在更多的实际应用中得到推广和应用，从而推动非相干自干涉数字全息术的发展。