利用微型 Transformer 网络实现数字全息显微镜的快速自动对焦

数字全息的数值波前反向传播原理赋予了独特的扩展聚焦能力，无需沿 z 轴进行机械位移。然而，确定正确的聚焦距离是一个不平凡且耗时的问题。本文提出一种深度学习 (DL) 方案，将自动对焦视为回归问题，并在实验与仿真全息图上进行测试。使用数字全息显微镜 (DHM) 配合 10$\mathrm{x}$ 显微物镜，在 92 $\mu$m 轴向范围内移动的图案化靶标上记录了单波长数字全息图。提出并比较了多种微型 DL 模型，如微型 Vision Transformer (TViT)、微型 VGG16 (TVGG) 和微型 Swin-Transformer (TSwinT)。将这些微型网络与其原始版本（ViT/B16、VGG16 和 Swin-Transformer Tiny）以及数字全息中使用的主要神经网络（如 LeNet 和 AlexNet）进行比较。实验表明，预测聚焦距离 $Z_R^{\mathrm{Pred}}$ 被准确推断，平均精度为 1.2 $\mu$m，而 DHM 的景深为 15 $\mu$m。数值仿真显示所有微型模型的 $Z_R^{\mathrm{Pred}}$ 误差均低于 0.3 $\mu$m。这一前景将显著提升计算机视觉位置传感在生命科学三维显微镜或微机器人等应用中的现有能力。此外，所有模型在 CPU 上的推理时间每次均低于 25 ms。在遮挡方面，基于其 Transformer 架构的 TViT 最为鲁棒。