三维神经网络驱动自干涉数字全息实现高保真、非扫描体积荧光显微成像
光学
2025-04-16 v1 图像与视频处理
摘要
我们提出了一种深度学习驱动的计算方法，以克服自干涉数字全息术受限于轴向成像性能不佳的缺陷。我们证明，三维深度神经网络模型能够同时抑制离焦噪声，并提升传统数值反向传播所得全息重建的空间分辨率与信噪比。与用于全息图重建的现有二维深度神经网络相比，我们的三维模型在增强所有三个空间维度的分辨率方面表现出更优异的性能。因此，以二维自干涉全息图作为输入，无需任何机械与光电扫描及复杂的系统校准，即可实现三维非扫描体积荧光显微成像。我们的方法提供了一种高时空分辨率的三维成像途径，有望应用于例如细胞结构动力学可视化及高速流场三维行为的测量。
引用
@article{arxiv.2504.10769,
title = {Three-dimensional neural network driving self-interference digital holography enables high-fidelity, non-scanning volumetric fluorescence microscopy},
author = {Tianlong Man and Yuwen Zhang and Yuchen Wu and Zhiqing Zhang and Hongqiang Zhou and Liyun Zhong and Yuhong Wan},
journal= {arXiv preprint arXiv:2504.10769},
year = {2025}
}