《Progress in Quantum Electronics》：Advanced deep learning for digital holography: A review
编辑推荐：
深度学习（DL）已成为数字全息术（DH）中的重要工具，实现了直接从全息测量中学习复杂逆映射的数据驱动方法。早期的DL辅助DH证明了该方法的可行性，但通常依赖于大型标注数据集，并缺乏显式的物理可解释性。近年来，DL方法论的进展开始解决这些限制。本综述回顾了重塑该
深度学习（DL）已成为数字全息术（DH）中的重要工具，实现了直接从全息测量中学习复杂逆映射的数据驱动方法。早期的DL辅助DH证明了该方法的可行性，但通常依赖于大型标注数据集，并缺乏显式的物理可解释性。近年来，DL方法论的进展开始解决这些限制。本综述回顾了重塑该领域的三个主要发展：用于数据高效学习的创新训练策略、集成物理先验以提高可解释性和物理一致性，以及能够从全息数据中提取更丰富表示的先进网络架构。通过从这一方法论角度组织近期进展，研究人员提供了关于现代DL技术如何扩展DH能力的最新概述。最后，研究人员提出了前瞻性视角，识别出有望推动DH应用未来重大进展的有前景但尚未充分探索的DL方向。
2. Recent advancements in DL methodologies for DH
2.1. Addressing data scarcity: Innovative training strategies
在数字全息术（DH）中应用深度学习（DL）的主要挑战之一是缺乏足够标注的数据集，尤其是早期的端到端监督方法。为缓解对大规模精确匹配数据集的依赖，近期研究开发了创新训练策略和生成模型用于合成数据。其中，深度迁移学习（DTL）成为重要范式，能够从数据丰富的源域向数据稀缺的全息目标迁移知识。基于知识迁移机制，DH中的DTL方法可分为对抗性DTL和基于网络的DTL两类。对抗性DTL利用对抗技术发现可迁移的表征，通过CycleGAN架构实现无配对数据训练，结合对抗损失和循环一致性损失，从而放宽了对全息图与标签严格一一对应的要求。基于网络的DTL则利用预训练网络中的知识，通过冻结部分层或微调整个网络来适应新任务，结合自监督学习可进一步减少对标注数据的依赖。
2.2. Enhance interpretability: Physical prior-based optimization
为克服DL网络的“黑箱”特性，领域知识以物理先验的形式直接融入DL框架。这些先验分为强先验和弱先验两类，可通过数据、网络和优化三个主要组件引入。
2.2.1. Strong priors
强先验源自精确描述成像过程的物理模型，如波传播模型和传感器噪声统计。主要通过数据生成和网络设计引入。
2.2.1.1. Physics-driven data synthesis
当实验数据稀缺时，基于物理前向模型生成的合成数据集可提供物理一致的训练样本。例如，通过模拟同轴全息系统生成合成复值全息图，训练网络添加相位信息；或利用自由空间波传播生成合成全息图，并施加物理一致性损失，实现零样本泛化到实验生物全息图。
2.2.1.2. Physics-embedded network
将物理方程直接嵌入计算管线，形成混合方案。主要策略包括物理展开网络（physics-unrolled networks）和网络辅助推理（network-assisted inference）。物理展开网络通过模仿基于模型的算法来设计网络架构，如MB-HoloNet和PSHoloNet，将物理前向模型作为非可训练层，确保重建过程受传播物理约束。网络辅助推理则将DNN集成到基于模型的迭代求解器中，如深度图像先验（DIP）方法，无需预训练即可实现无监督重建，通过物理前向模型计算合成全息图与真实测量的差异来优化网络参数。
2.2.1.3. Physics-network co-design
可微成像（DI）是一种计算成像范式，将整个物理光学系统映射到可微计算图上，实现重建目标和物理系统参数的联合优化。在DH中，需构建可微波传播算子，通过自动微分框架计算梯度，实现免校准重建和复杂物理现象建模，如多散射效应。
2.2.2. Weak priors
弱先验基于通用物理性质，编码成像问题的结构特征，无需严格数学描述。在数据层面，通过数据标签工程将先验知识嵌入训练样本，如将轴向深度与衍射图案大小关联，通过YOLO网络实现三维粒子跟踪。在网络层面，利用卷积神经网络（CNN）的局部性和平移等变性，以及循环神经网络（RNN）的序列依赖性，处理多轴向平面全息数据。在优化层面，通过正则化项（如稀疏性、平滑性）引导网络向物理合理解收敛。
2.3. Superior feature representation: Advanced network architectures
全息图的高信息内容推动了网络架构创新，超越传统CNN。Y-Net和Y4-Net通过共享编码器和任务特定解码器，分别实现单波长和双波长全息中的强度与相位重建。傅里叶神经算子（FNO）在频域进行谱变换，捕获全局上下文，适用于波传播的全局物理过程。Transformer架构（如TransFocusNet）通过自注意力机制捕获长距离空间依赖，用于实时分析晶体结构。
3. Outlook
3.1. DL-assisted sensing for unconventional and extreme acquisition conditions
在极端采集条件下，DL与新型传感器（如事件相机、量子图像传感器）结合，可将异步事件流、稀疏光子计数等转换为高保真全息场，扩展DH在低光子、非可见光谱等场景的应用。
3.2. DL as the computational core of multi-modality DH
多模态DH融合多种成像模态（如拉曼散射、偏振、荧光等），DL可自动学习层次特征，实现跨模态融合、重建与分析，如SPLASH和计算偏振全息术。
3.3. Differentiable imaging toward scalable and intelligent DH
可微成像面临计算复杂性和不确定性管理等挑战，但为DH与AI生态（如基础模型、视觉语言模型）的连接提供基础，有望实现端到端优化的全息成像管线。
4. Conclusion
DL推动了DH的范式转变，使系统更数据高效、物理可解释和架构复杂。创新训练策略、物理先验集成和先进架构是关键进展。未来DL将进一步整合先进传感硬件、多模态成像和可微智能框架，扩展DH能力。
