XPAR-Net：基于跨范式协同学习的高效单帧无透镜芯片上显微镜重建方法

《Scientific Reports》：XPAR-Net: cross-paradigm alignment and reconstruction network for high-fidelity lens-free on-chip microscopy

　　

摘要

无透镜芯片上显微镜（LFOM）能够实现紧凑的大视野成像，但从单个内联全息图重建复杂场面临两个耦合挑战：相位必须仅从强度测量中推断，同时细条纹尺度的信息必须在有限数值孔径带宽内恢复。我们提出了XPAR-Net，通过跨互补表示范式的协同学习来应对这些挑战。全场通道关系建模捕获全息响应之间的选择性依赖关系，而局部化空间细化则保留精细的结构变化。跨域对齐与融合协调了这些表示，并将可学习的频谱残差校正限定在建模的采集支撑范围内。训练过程中进一步将参考域的复数场保真度与支撑内频谱剖面、局部结构及输入相对细化约束相结合。在完整的11类分布内测试集上，XPAR-Net相较于HoloFormer，平均PSNR提升了1.28 dB，SSIM提升了\(2.9\%\)，而可训练参数量仅为HoloFormer的\(8.8\%\)，乘加运算量（MACs）仅为其\(19.0\%\)（以\(256\times256\)输入块为准）。这些结果表明，在评估条件下，跨范式的协同建模是实现高精度且计算紧凑的单帧LFOM重建的有效途径。