基于物理模型驱动无监督学习的无透镜成像质量增强方法
摘要
数字全息术是一种能够记录和重建物场完整波前信息的光学成像技术。同轴全息术以其更大的空间带宽积和简单的成像系统等优势，得到了广泛关注和应用。然而，传统的同轴全息术在物场重建时会受到零级像和孪生像的干扰，影响对物场复振幅的观察和测量。传统的相位复原算法在重建时会产生较大误差，尤其是在高分辨率、大视场等成像需求下，重建质量会受到影响。并且基于数据驱动的神经网络方法受限于数据集采集和质量。针对这些问题，本文提出了基于振幅约束的双输入物理模型驱动的神经网络（DPNNA）的同轴全息像重建方法。该方法以两幅不同距离下记录的全息图作为输入，结合振幅约束并采用同轴全息成像模型和神经网络相结合的无监督方式，重建物体的相位信息或振幅信息。并且在无需大量训练数据的前提下，对输入的同轴全息图质量要求低，重建结果背景噪声弱。同时，在不同衍射间距和噪声水平的条件下，DPNNA在峰值信噪比和结构相似性等指数方面均优于其他方法，有效实现了相位或振幅的恢复，有较好的鲁棒性和稳定性。
引用本文（GB/T 7714）
左嘉乐 Zuo Jiale, 张蒙蒙 Zhang Mengmeng, Ju Tang, 等. 基于物理模型驱动无监督学习的无透镜成像质量增强方法[J]. Acta Optica Sinica, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。