帖子
勋章
关注
任务
西安光机所智能光学显微成像研究取得进展 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。在实际DIDH成像中，两个固有因素影响成像的质量：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；孪生像问题影响同轴数字全息的成像质量。研究人员利用光路改进或算法补偿等方法来解决上述问题，却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，使实际应用中不太可能获得足够数量的真值图像用于训练，限制了该类神经网络在DIDH中的广泛应用。 针对上述问题，课题组提出了用于DIDH成像的非训练神经网络即DIDH-Net，可从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，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（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。 与其他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成像中具有优势。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，这种情况将更严重。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。该研究可以为DIDH提供鲁棒的相位重建和高精度的光学厚度测量，并可为其他数字全息成像方案提供借鉴。 近年来，姚保利研究团队致力于智能光学显微成像技术研究，在成像功能、信息获取维度、性能指标等方面取得了进展，继而形成了多种新型光学显微成像技术，例如，利用深度学习技术实现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。 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 论文链接：https://doi.org/10.1364/PRJ.441054 分享到：
|
