OAH-Net：用于离轴数字全息显微镜全息重建的深度神经网络
光学
2025-08-12 v1 人工智能
摘要
离轴数字全息显微镜是一种高通量、无标签的成像技术，能够提供关于样本的三维高分辨率信息，特别适用于大规模细胞成像。然而，全息重建过程对及时数据分析构成了显著瓶颈。为此，我们提出一种新颖的重建方法，将深度学习与离轴全息学物理原理相结合。我们基于物理原理初始化部分网络权重，然后通过弱超大规模学习进行微调。我们的离轴全息网络（OAH-Net）能够在硬件测量误差范围内获取相位和�幅图像，其重建速度显著超过显微镜的采集速率。关键的是，OAH-Net 在不可见样本上具有显著的外部泛化能力，这些样本具有不同的图案，并可无缝集成到其他模型中，用于下游任务，以实现端到端实时全息分析。这种能力进一步扩展了离轴全息在生物学和医学研究中的应用。
引用
@article{arxiv.2410.13592,
title = {OAH-Net: A Deep Neural Network for Hologram Reconstruction of Off-axis Digital Holographic Microscope},
author = {Wei Liu and Kerem Delikoyun and Qianyu Chen and Alperen Yildiz and Si Ko Myo and Win Sen Kuan and John Tshon Yit Soong and Matthew Edward Cove and Oliver Hayden and Hweekuan Lee},
journal= {arXiv preprint arXiv:2410.13592},
year = {2025}
}
备注
11 pages, 4 figures