基于物理一致性的全息图重建自监督学习

过去十年，深度学习在各种计算成像、传感与显微任务中产生了变革性应用。由于采用监督学习方案，这些方法大多依赖大规模、多样化且带标签的训练数据。此类训练图像数据集的获取与制备通常费力且昂贵，还会导致有偏估计及对新型样本类型泛化能力有限。本文报道一种称为 GedankenNet 的自监督学习模型，其无需带标签或实验训练数据，并在全息图重建任务上展示了其有效性与优越泛化能力。在不知晓待成像样本类型的前提下，该自监督学习模型使用物理一致性损失以及无需任何实验且与真实样本无相似性的合成随机图像进行训练。经自监督训练后，GedankenNet 成功泛化至各类未见生物样本的实验全息图，利用实验获取的测试全息图重建不同对象的相位与振幅图像。在无法获取实验数据、亦不知晓感兴趣真实样本及其空间特征的情况下，GedankenNet 的自监督学习实现了与麦克斯韦方程组一致的复值图像重建，其输出推断与对象解准确表征了自由空间中的波传播。GedankenNet 框架还对物理前向模型中的随机未知扰动（包括全息图距离、像素尺寸与照明波长的变化）表现出韧性。这种图像重建任务的自监督学习为全息术、显微术与计算成像领域的各类逆问题创造了新机遇。