双波长同轴数字全息(Dual-wavelength in-line digital holography , DIDH)是高精度定量相位成像的常用方法之一。然而，在实际DIDH成像中，两个固有因素往往影响成像的质量：1)每个单一波长成像的噪声会出现在双波长全息图中，导致相位重建中噪声放大的问题；2)孪生像问题影响同轴数字全息的成像质量。于是，研究者通过光路改进或者算法补偿等方法来解决上述问题，但往往面临加大光路复杂度与强噪声条件下鲁棒性不足等问题。相比之下，深度学习技术凭借其噪声抑制或孪生像抑制能力，成为DIDH成像的有力工具。然而，当前大多数基于深度学习的方法依赖于监督学习和训练实例，即需要大量的训练集来优化其权值和偏差。而在双波长同轴数字全息成像中，由于噪声放大、孪生像以及成像系统稳定性等影响，使得实际应用中不太可能获得足够数量的真值图像用于训练，因而限制值了该类神经网络在DIDH中的广泛应用。
针对上述问题，课题组提出了一种用于DIDH成像的非训练神经网络，即DIDH-Net，可以从DIDH成像数据中重建出噪声和孪生像双重抑制的目标相位分布。DIDH-Net本质上是通过将非卷积网络与真实成像物理过程模型相结合而建立的，即将神经网络成像结果与用于光学DIDH成像的特定模型相结合，从而避免了传统网络训练所需的极大数据量。此外，该DIDH-Net不需要对成像参数或操作(例如相移、训练数据等)进行额外的修改，便可实现高分辨率和高精度相位成像和测量。
不同方法对（a）蛔虫卵和（b）水蚤后足的成像结果，包括最终重建的相位图及其相应的光学厚度测量
与其它迭代相位成像方法相比，基于深度学习的方法不需要在精确相位重建和鲁棒性之间进行权衡，因而在DIDH成像中存在优势。然而，传统的端到端方法通常从一组训练数据中学习映射函数，而当实测数据没有使用相同的权重集进行拟合时，该种数据驱动方案中的误差则不可避免，并会在重构结果中带来伪影和噪声；在放大噪声和孪生像作用下，这种情况将更为严重。相比之下，由于没有任何用于训练的标记数据，DIDH-Net仅需对图像形成机制进行相对精确的建模，继而将该物理模型与传统的深度神经网络相结合，便可以有效且准确地用单幅DIDH成像重建物体的相位分布信息。该项研究成果可以为DIDH提供鲁棒的相位重建和高精度的光学厚度测量，并可为其它数字全息成像方案提供借鉴。
西安光机所姚保利研究员带领的团队近年来对智能光学显微成像技术进行了深入的研究，在成像功能、信息获取维度、性能指标等方面都获得了显著提升，继而形成了多种新型光学显微成像技术。如利用深度学习技术实现了全彩宽场显微光切片三维成像、共聚焦显微快速超分辨三维成像、快速光片三维显微成像等;利用压缩感知技术实现了高分辨率高信噪比的光片显微成像、散射介质后定量相位快速计算成像、鲁棒衬度传递函数相位成像等。研究成果先后在PR、OL、BOE、IEEE TBME等国际知名期刊上发表论文20余篇，得到了国外同行专家的认可和积极的评价。
论文链接：https://doi.org/10.1364/PRJ.441054
责任编辑：李暄妍
