概括
这项研究引入了一种新的深度学习方法,Deeplabv3plus-Inverted-Residual-Attention (Dv3p-IRA),用于数字全息相解封. 该方法显著提高了3D形状重建的准确性和相连续性,即使有斑点噪声.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 准确的相位信息对于3D形状重建至关重要.
- 阶段提取方法通常由于反触线运算而遭受阶段包裹和不连续性.
研究的目的:
- 提出一种基于深度学习的新型数字全息相解封方法.
- 解决相间断问题,提高3D形状重建的准确性.
主要方法:
- 开发了一个具有编码器-解码器结构的Deeplabv3plus-Inverted-Residual-Attention (Dv3p-IRA) 网络.
- 在编码器中使用密集块和CBAM-ASPP进行多尺度特征提取.
- 在解码器中用于相位重建的交叉层特征融合和上采样.
- 使用随机矩阵放大 (RME) 和高斯函数叠加 (GFS) 构建了一个数据集.
- 集成的交叉和子损失用于网络优化.
- 使用反射式离轴数字全息光学路径系统验证了该方法.
主要成果:
- 与现有方法相比,Dv3p-IRA方法的准确性更高.
- 实现了错误值的较小波动和更稳定的模型性能.
- 有效地将对象信息与背景信息分开.
- 生产了重建的相位形状,提高了流性和连续性.
- 展示了相区域细分和噪声强度的优势,处理带有斑点噪声的全息图.
结论:
- 拟议的Dv3p-IRA方法为数字全息画提供了高精度的阶段恢复.
- 它有效地克服了阶段包装问题,并增强了3D形状重建.
- 该方法表现出对斑点噪声的稳定性,并改善相位区域细分.
