概括
本研究引入了使用CycleGAN进行数字全息 (DH) 的新型深度学习方法,减少了对广泛标记数据的需求. 该方法实现了高质量的全息重建,并模拟了现实的实验全息图.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算成像技术的成像
- 人工智能的人工智能
背景情况:
- 传统的数字全息 (DH) 重建方法在准确性,速度和数据要求方面面临挑战.
- 在DH中监督深度学习通常需要大量的,耗时的配对数据集.
- 现有的方法难以准确地打开包装,并且需要多个全息图捕获.
研究的目的:
- 开发用于数字全息的深度学习方法,尽量减少对标记数据的需求.
- 为了使高质量的复杂振幅重建和全息图模拟使用未配对数据.
- 为DH创建一个基于物理的实验全息模拟器.
主要方法:
- 利用CycleGAN,一个生成对抗网络,用于训练神经网络与未配对数据.
- 实现了不需要配对数据的损失函数,学习域映射而不是直接的数据标签对应.
- 应用训练有素的网络进行全息重建和合成全息图生成.
主要成果:
- 实现了复杂幅度的高质量重建,超越了传统方法.
- 成功生成了现实的合成全息图,反映了实际的系统状态.
- 证明了模拟实验全息图的能力,这是DH的首次.
- 经过训练的网络学习了成像系统的知识,使其能够进行重建和模拟.
结论:
- 提出的基于CycleGAN的深度学习方法有效地减少了数字全息中的标记数据要求.
- 这种方法提供了卓越的全息重建质量,并使实验全息图的模拟成为可能.
- 这项工作为DH应用的基于物理的全息模拟提供了重大进展.
