数字全息画深度超分辨率模型的基准研究:定量阶段和强度评估评估

科学领域:

• 光学和光子学 在光学和光子学.
• 生物医学成像技术 生物医学成像技术
• 计算成像技术的成像

背景情况:

• 全息显微镜提供良好的轴分辨率,但在侧面分辨率上受到光学因素,像素大小和噪声的限制.
• 这些局限性阻碍了精细结构和相位细节的精确重建,这些细节对于生物和材料科学应用至关重要.

研究的目的:

• 评估深度学习超分辨率模型在增强数字全息显微镜侧向分辨率方面的有效性.
• 为了比较RCAN,SwinIR和条件扩散网络的性能与二立方脊线插曲.

主要方法:

• 利用了1440个离轴的微珠数码全息图,减小了2×,3×和4×的样本.
• 评估了三种深度学习模型:RCAN,SwinIR和条件扩散网络.
• 使用峰值信号与噪声比率 (PSNR),结构相似度指数 (SSIM),平均平方误差 (MSE) 和阶段衍生深度误差来量化性能.

主要成果:

• RCAN和SwinIR表现出卓越的性能,实现了最准确的重建.
• 这些模型有效地保留了结构细节和定量阶段信息.
• 深度学习模型在超分辨率任务中显著优于双立方线线插值.

结论:

• 在全息显微镜中,RCAN和SwinIR对于超分辨率非常有效,特别是在保存相位信息方面.
• 该研究为选择相聚焦全息应用的适当深度学习模型提供了有价值的指导.
• 深度学习为克服数字全息画中的横向分辨率限制提供了一个有希望的途径.