論文信息

背景引入

數字全息術因其能夠從單一視點對3D場景進行成像而備受關注。與直接成像相比，數字全息是一種間接的多步驟成像過程，包括光學記錄全息圖和數值計算重建，為包括深度學習在內的計算成像方法提供了廣泛的應用場景。近年來，非相干數字全息術因其成像分辨率高，無散斑噪聲和邊緣效應，低成本等優點而備受關注。目前，非相干全息術已被應用于孔徑成像、超分辨成像、大景深成像和晶格光片顯微成像。

近年來，深度學習已被應用于非相干數字全息術。然而，目前所有的報告都是基于數據驅動的監督學習方法，這些方法需要大量的配對標記數據，并且存在泛化不足等問題。為了解決上述挑戰，本文提出了一種無訓練神經網絡先驗的單次非相干全息自校準3D重建方法，稱為SC-RUN。SC-RUN可以提高點擴散函數（PSF）的保真度和信噪比，只需單個全息圖就可以實現3D對象的高保真度和無偽影重建。本文以無干涉編碼孔徑相關全息術（I-COACH）成像為例，清楚地展示了SC-RUN的效果。

方法原理

圖1 非干涉編碼孔徑關聯全息術裝置

非相干光源的光被透鏡L1聚焦以照射物體。物體位于透鏡L2的前焦平面Z3附近，使得物體可以被認為位于CPM的遠場中。加載了編碼相位的SLM位于透鏡L2距離d處，SLM前加偏振片P。由于I-COACH的成像模型在強度上是線性空間不變，因此傳感器記錄的物體全息圖可以被視為無數個物點全息圖的非相干強度疊加，因此，可以先對一個物點的光場進行理論分析，然后通過卷積或疊加得到多物點物體的成像模型。

圖2 SC-RUN—校準點擴散函數結構

圖3 SC-RUN—基于無訓練神經網絡先驗的單次成像結構

圖4 SC-RUN—基于無訓練神經網絡先驗的單次3D成像結構

系統光路

多通道I-COACH實驗系統如圖5所示，其中振幅型空間光調制器的產品參數如下表所示。

圖5 I-COACH實驗裝置

本實驗所采用的空間光調制器為我司的TSLM07U-A，其參數規格如下：

系統由不同軸向平面中的兩個目標通道組成，其中數字微鏡器件（DMD）用作通道1中的目標1，而振幅型空間光調制器用作通道2中的目標2。來自空間非相干發光二極管（LED）的光通過聚光器收集以照射物體，然后兩個通道內衍射的物體光通過分束棱鏡（BS1）組合并通過透鏡L進行準直。偏振片P使物光的偏振方向與純相位SLM的調制軸方向一致。最后，通過CMOS傳感器記錄由純相位SLM調制的光波。純相位SLM加載由GSA算法合成的全息圖。

實驗結果

圖6 SC-RUN對PSF的校準結果。a) 全息圖，b) 原始PSF，c) 使用原始PSF進行非線性重建的結果，d) 已知對象，e) 校準后的PSF，f) 使用校準的PSF進行非線性重建的結果。

圖7 SC-RUN和非線性重建的2D實驗結果

圖8 SC-RUN和非線性重建的3D實驗結果

以上實驗結果表明，SC-RUN在I-COACH上表現良好，從而說明預先校準PSF，然后通過神經網絡重建對象的這一策略具有很大的潛力。目前，許多光學成像技術都是通過設計專門的PSF來實現的。例如，通過波前編碼生成亞衍射極限點PSF，以實現超分辨率成像。類似地，通過使用波前編碼使PSF對錯誤聚焦不敏感，可以擴展成像深度。對于其他信息，如物體的深度、光譜和偏振，可以編碼到PSF中來增加成像維度。上述計算成像技術在很大程度上依賴于PSF的先驗信息，并且SC-RUN允許獲得高保真度、高信噪比的PSF。因此，當已知前向算子時，可以獲得極好的重建結果。此外，由于SC-RUN在不需要數據集和標簽的情況下強制測量一致性，并且考慮到大多數成像任務涉及具有已知正向算子的一個或多個逆求解模型，SC-RUN可以容易地應用于各種其他成像任務。

論文總結

本文提出了一種通用的無監督的非相干全息3D重建框架SC-RUN，它結合了非線性重建方法的物理知識和前向成像模型，通過具有額外物理約束的神經網絡執行重建任務。SC-RUN同時考慮了時間分辨率和保真度，具有良好的魯棒性，并且不需要太多標記的數據驅動信息。此外，實驗結果表明，首次在非相干全息術中實現了具有強度變化的復雜物體的高保真度重建。SC-RUN通常適用于各種光學配置，并易于適應其他成像任務。此外，SC-RUN對超分辨率成像、孔徑成像、景深擴展成像和多維信息復用等領域具有廣泛潛力，為獲得動態光場的多維信息鋪平了道路。

文章鏈接：https://doi.org/10.1002/lpor.202301091

審核編輯 黃宇