物理引导的多尺度深度学习网络用于非相干数字全息重建

《Optics and Lasers in Engineering》:Physics-guided multi-scale deep learning network for incoherent digital holographic reconstruction

【字体: 大 中 小 】 时间:2026年10月24日 来源:Optics and Lasers in Engineering 4.2

编辑推荐:

   - 提出了HPD-Net,一种用于端到端非相干全息重建的混合物理-数据网络。 - 设计了多尺度NLR模块,以生成层次化物理先验并降低模型学习负担。 - 开发了DAPF模块和可学习物理残差,以实现自适应融合与快速收敛。 ## 引言 数字全息(DH)记录物体波与参考波之间的干

  

- 提出了HPD-Net,一种用于端到端非相干全息重建的混合物理-数据网络。
- 设计了多尺度NLR模块,以生成层次化物理先验并降低模型学习负担。
- 开发了DAPF模块和可学习物理残差,以实现自适应融合与快速收敛。

## 引言

数字全息(DH)记录物体波与参考波之间的干涉条纹,从而能够在计算机上重建物体的三维结构和定量相位信息[1]。它在显微成像[2],[3]、生物样本三维成像[4],[5]、定量相位成像[6],[7]以及单探测器全息三维成像[8],[9]等领域展现出了变革性潜力。传统DH依赖激光等相干光源,但受限于固有的散斑噪声、高昂的设备成本以及严格的准直光学对齐要求。为解决这些根本性限制,Mertz和Young率先将全息术拓展至非相干光[10],为稳健且低成本的全息成像开辟了新方向。

2007年,Rosen等人提出了菲涅尔非相干相关全息(FINCH)[11],首次实现了非相干光下的三维全息成像,奠定了整个领域的理论基础。然而,FINCH因其特定光学构型而存在轴向分辨率差的固有缺陷。为克服这一关键局限,Vijayakumar等人开发了编码孔径相关全息(COACH)[12],通过编码孔径调制显著提升了轴向分辨率,并在学术界广受关注[13]。尽管如此,COACH仍需两波干涉,增加了系统复杂度和对准难度。这一技术瓶颈催生了无干涉COACH(I-COACH)[14],完全消除了干涉需求,实现了迄今最简单的全光学系统架构。后续研究进一步拓展了这些技术的应用范围:Ming-Yu等人验证了FINCH的大视场成像潜力[15];Man等人将FINCH扩展至荧光显微镜[16];Vijayakumar等人基于改进的COACH系统实现了四维成像[17];I-COACH在纤维内窥成像、远场成像及超分辨成像中展现出巨大前景[18],[19]。尽管取得了这些显著进展,所有非相干全息系统仍面临一个尚未完全解决的根本性挑战:如何从单幅获取的全息图实现高保真重建[12],[14]。

这一高保真重建的核心挑战推动了过去十余年在重建算法方面的广泛研究。Rai等人提出了非线性重建(NLR)方法[20],通过搜索最优振幅幂参数(α和β)使重建图像的熵值最小化,实现了单幅三维重建。结合由Gerchberg-Saxton(GS)算法合成的伪随机编码相位掩膜(CPM),NLR有效抑制了背景噪声并提升了成像系统的时间分辨率。Wan等人进一步开发了自适应I-COACH(AI-COACH)[21],采用环形稀疏CPM和自适应相位滤波互相关,仅通过单次曝光即可实现高速、高信噪比成像。Wu等人引入了基于菲涅尔区孔径编码的压缩感知方案[22],通过全变分(TV)正则化抑制孪生像伪影,并利用交替方向乘子法求解重建目标。虽然这些传统方法在提升重建质量方面取得了重要进展,但它们存在三个根植于固有物理模型假设的根本性局限。首先,这些方法严重依赖需要针对每种特定成像条件进行精细手动校准的经验参数。其次,在成像噪声存在的情况下,它们的性能显著下降,限制了其在现实场景中的实际应用。第三,由于简化的物理模型,它们难以重建精细纹理和突变振幅变化,导致不可避免的细节丢失。这些固有局限使传统方法无法满足复杂实际应用的[23],促使研究者探索数据驱动的全息重建方法。

近年来,深度学习在解决挑战性光学成像问题方面展现了强大能力,包括数字全息显微镜中的相位恢复、强散射介质透射成像以及单光子发射计算机断层(SPECT)成像[24],[25],[26]。其在全息图像重建中的应用也取得了显著成果。Nagahama等人提出了一种基于UNet的单帧全息图相位恢复和共轭像消除方法,通过将数字全息原理与深度学习相结合,实现了突破性性能[27]。Ren等人开发了HRNet,通过深度残差学习和亚像素卷积实现了无参数端到端重建,无需预设系统参数或额外预处理即可处理原始全息图[28]。Huang等人引入了GedankenNet,一种自监督学习模型,集成了物理一致性损失,显著提升了全息重建的零样本泛化能力和对扰动的鲁棒性[29]。此外,Zhang等人提出了一系列频率选择性卷积神经网络方法,专门针对多模态多全息图相关问题的[30],[31],[32],[33]。这些研究从网络架构设计、物理约束嵌入和学习范式创新三个关键维度推进了全息重建领域。然而,在单通道I-COACH重建的具体背景下,现有深度学习方法仍存在两个尚未解决的关键局限。一方面,纯数据驱动方法缺乏明确的物理约束,往往产生物理不一致的结果,且对未见物体的泛化能力较差。另一方面,现有方法无法有效融合低频全局结构信息和高频局部细节信息,导致精细纹理过度平滑或产生虚假伪影。

为提升非相干数字全息中单面强度图像的重建保真度,本文提出了一种混合物理-数据网络(HPD-Net),将多尺度NLR派生先验与数据驱动重建相结合。HPD-Net基于多尺度UNet架构[34],并引入三项关键创新以实现高精度、高鲁棒性的全息图像重建。第一,设计了多尺度NLR模块,在三个不同尺度上生成物理先验强度图,为网络提供可靠的初始估计并降低学习负担。第二,提出了双注意力先验融合(DAPF)模块,自适应地融合物理先验信息和深度特征,动态抑制物理先验中的伪影,同时保留有用的结构信息。第三,在每个尺度的输出端引入了可学习物理残差连接,使网络仅需预测对物理先验的修正,而非从零开始重建整幅图像。大量实验表明,在所考虑的实验条件下,HPD-Net在重建性能上优于所评估的基线方法,超越了传统重建方法和主流深度学习方法。本研究评估了单面强度重建,包括在不同轴向位置分别获取的平面目标。不同轴向距离处的全息重建结果表明,HPD-Net方法在点扩散函数(PSF)库约束下展现出三维成像能力。后续章节详细阐述了所提方法的网络架构、实验设置和性能评估。

## 原理与网络架构

图1(a)展示了实验中采用的非相干自干涉全息成像原理。不同轴向位置点源的点扩散全息图IPS H(r?o;r?s,Zs)可表示为:

IPSH(r?o;r?s,Zs)=|IsCL(r?sZs)Q(1Zs)Q(?1f1)·Rect(xD,yD)·PM(i?)*Q(1Zh)|2

其中Is(r?s;zs)表示位于(xs, ys, zs)处的点物体的强度,C代表复合常数,r?s=(xs,ys)是输入平面上的坐标向量,Zs是轴向距离。

## 实验与讨论

本文提出的非相干自干涉数字全息方法如图2所示。氙灯发出的非相干光通过光学滤波器(中心波长633 nm,带宽20 nm)后进入振幅型空间光调制器SLM1(FSLM-2K39-A02)。进入SLM1的光由偏振片P1偏振,偏振方向与SLM1液晶屏幕的长轴方向一致。由SLM1反射的物体波。

## 总结

针对传统方法在非相干数字全息重建中抗噪能力差、保真度不足的问题,以及现有深度学习方法多尺度物理信息融合能力有限的缺陷,本文提出了一种融合物理先验与数据驱动学习的全息重建网络HPD-Net。基于多尺度编码器-解码器架构,该网络通过NLR生成多尺度物理先验。

## CRediT作者贡献声明

Wanbin Zhang:原创草稿撰写、方法论、研究资金获取、形式化分析、概念构思。Yijian Feng:可视化、软件、形式化分析、数据管理。Jingfang Zhang:可视化、软件、调查研究。Xiangdong Sun:资源、调查研究。Rupert Young:方法论、概念构思。Zhanjun Zhang:审稿与编辑、验证、项目管理、研究资金获取。

## 利益冲突声明

本文所有作者均直接参与了本研究的规划、执行和/或分析工作。本文内容此前未曾获得版权或发表。本文内容目前未在其他地方接受审稿。在《Optics and Lasers in Engineering》接受之前,本文内容不会在其他地方获得版权、提交或发表。作者声明无利益冲突。

## 致谢

本工作得到国家自然科学基金(批准号62605375)、浙江省自然科学基金(批准号LQN25F050009和LMS26F050013)以及桐乡通用人工智能研究所(批准号TAGI2-B-2024-0012)的支持。

Wanbin Zhang | Yijian Feng | Jingfang Zhang | Xiangdong Sun | Rupert Young | Zhanjun Zhang
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号