Deep DIH：基于深度学习的数字同轴全息统计推断重建
图像与视频处理
2023-04-21 v2 计算机视觉与模式识别
机器学习
摘要
数字同轴全息术常用于从二维全息图重建显微物体的三维图像。在信号处理阶段出现的技术挑战之一是消除由记录全息图中的相位共轭波前引起的孪生像。由于生成全息图时不可逆的散射过程，孪生像去除通常被表述为非线性反问题。近来，端到端基于深度学习的方法已被用于从单次同轴数字全息图直接重建物体波前（作为物体三维结构的替代）。然而，训练深度学习模型达到可接受的重建精度需要海量数据对。与典型图像处理问题不同，用于同轴数字全息术的精心整理的数据集并不存在。而且，训练好的模型高度受物体形态特性影响，因而对不同应用会发生变化。因此，数据收集在实践中可能极其繁琐，成为使用深度学习进行数字全息术的主要障碍。本文中，我们提出了一种基于自编码器的深度学习架构的新颖实现，用于单次全息图重建，仅基于当前样本，无需海量数据集训练模型。仿真结果表明，与最先进的单次压缩数字同轴全息图重建方法相比，所提方法具有更优性能。
引用
@article{arxiv.2004.12231,
title = {Deep DIH : Statistically Inferred Reconstruction of Digital In-Line Holography by Deep Learning},
author = {Huayu Li and Xiwen Chen and Haiyu Wu and Zaoyi Chi and Christopher Mann and Abolfazl Razi},
journal= {arXiv preprint arXiv:2004.12231},
year = {2023}
}