YOSO：用于同轴全息术的基于 AI 数据增强的单帧 Gerchberg-Saxton 相位恢复
光学
2026-05-01 v1
摘要
我们提出了 YOSO (You Only Shot Once)，一个用于数字同轴全息显微术 (DIHM) 的单帧相位恢复框架，其中使用监督式深度学习来数值生成对应于不同离焦距离的额外全息图，创建一个所谓的多高度数据集，然后使用成熟的 Gerchberg-Saxton (GS) 算法对其进行常规处理。YOSO 在源自自然图像的计算机生成数据上进行训练，从而实现了强大的泛化能力。所选择的多尺度 ResNet 架构能够在中等工作站上于两小时内完成快速训练，该训练仅需进行一次，此后即可实现高效推理。我们进一步表明，YOSO 网络可以处理不同空间维度的输入，允许在小尺寸输入上进行训练，并直接对全尺寸全息图进行推理，从而绕过了分块拼接过程。YOSO 的另一个优势是其物理一致的全息图填充，它用一种与 GS 框架兼容的物理基础方法取代了传统的零值或边缘值填充。YOSO 框架在各种系统（基于透镜和无透镜 DIHM）和多样本上进行了测试：分辨率测试靶、贴壁和悬浮的生物细胞以及小鼠脑切片。结果表明，YOSO 与三维物体兼容，并能正确恢复离焦物体波特征，从而实现了诸如数值重聚焦等全息后处理。这项工作的结果已作为软件公开提供，用于端到端实现。
引用
@article{arxiv.2604.27777,
title = {YOSO: single-frame Gerchberg-Saxton phase retrieval with AI-based data augmentation for in-line holography},
author = {Julianna Winnik and Adam Walocha and Wojciech Ogonowski and Wiktor Forjasz and Piotr Arcab and Mikołaj Rogalski and Aleksandra Rutkowska and Marzena Stefaniuk and José Ángel Picazo-Bueno and Vicente Micó and Maciej Trusiak and Maria Cywińska},
journal= {arXiv preprint arXiv:2604.27777},
year = {2026}
}