DeepPD：基于神经网络校准可变镜的相位多样性下目标与相位联合估计
光学
2025-04-22 v1 机器学习
摘要
样本引起的像差和光学缺陷限制了荧光显微镜的分辨率。相位多样性是一种强大的技术，利用在顺序获取的图像中引入的补充相位信息——相位多样性——以实现相位和目标重建，恢复衍射极限分辨率。这类相位多样性通常通过可变镜引入光路。现有的相位多样性方法局限于齐涅尔模态、需要大量的多样性图像，或依赖于精确的镜头校准——这些都是次优的。我们提出DeepPD，一个基于深度学习的框架，将目标和波前的神经表示与可变镜的学习模型结合，从仅五张图像中联合估计目标和相位。DeepPD在鲁棒性和重建质量方面优于前述方法，即使在严重像差下也能实现良好效果。我们在校准目标和生物样本上展示了其性能，包括对固定PtK2细胞中免疫标记的肌动蛋白。
引用
@article{arxiv.2504.14157,
title = {DeepPD: Joint Phase and Object Estimation from Phase Diversity with Neural Calibration of a Deformable Mirror},
author = {Magdalena C. Schneider and Courtney Johnson and Cedric Allier and Larissa Heinrich and Diane Adjavon and Joren Husic and Patrick La Rivière and Stephan Saalfeld and Hari Shroff},
journal= {arXiv preprint arXiv:2504.14157},
year = {2025}
}