大佬王凱強是西北工業大學趙建林老師的博士生，他在光學與光學工程博生聯賽第七場上介紹了基于深度學習的相位恢複及處理相關工作。相關視訊在公衆号“中國光學”，實況直播，光學與光學工程博士生學術聯賽-積分賽（第五比賽日）實況直播 | 光學與光學工程博士生學術聯賽 - 積分賽（第五比賽日）末尾的線上積分賽第7場中，視訊在第2小時33分鐘處開始。(文中圖均來自視訊中，如有需要，歡迎搜尋相關文章進行引用)
目錄
1. 第一個工作：Deep learning phase imaging[1]
2. 第二個工作：Y-Net for holographic reconstruction[2][3]
3. 第三個工作：Deep learning wavefrant sensing
4. 第四個工作：Deep learning phase unwrapping[4]
1. 第一個工作：Deep learning phase imaging[1]
TIE(Transport of intensity equation) 具有兩個優點：1）無需相位解包裹；2）适用于部分相幹光源。由于這兩個優點使其可以與顯微鏡進行結合，對細胞進行成像。但使用其做相位重建時，需要多張離焦強度圖才能獲得很好的重建結果，并且對邊界和噪聲都很敏感。基于上述缺點，提出了一種使用TIE+U-Net做相位重建。原理圖如圖1所示。先用顯微鏡得到多張全息圖作為網絡的輸入，再用TIE處理得到相位圖像作為網絡訓練的真值。訓練好的U-Net網絡可以從單張全息圖中重建相位圖，并且對邊界和噪聲不敏感.
圖1 原理圖
2. 第二個工作：Y-Net for holographic reconstruction[2][3]
作者提出一種Y-Net網絡，可以同時重建圖像的相位資訊和強度資訊。在此之前的工作都是對單一相位或者強度進行重建。在U-Net的基礎上添加一個新的上采樣分支，兩個分支一個用于強度的重建，一個用于相位的重建，如圖2所示。Y-Net經過訓練，可以從單張全息圖中直接重建全息圖的強度和相位資訊。
圖2 Y-Net原理圖
3. 第三個工作：Deep learning wavefrant sensing
第三個工作是用神經網絡代替波前傳感器，解決自适應光學中湍流(turbulence)的影響。但由于自己在這方面閱讀文獻較少，對于這個方向不是很了解，是以不敢貿然講述，有相關方向的可以直接看其視訊和文章。視訊在2小時39分處開始講述其第三個工作。
4. 第四個工作：Deep learning phase unwrapping[4]
在數字全息成像中，相位是通過反正切函數計算得到，是以相位被限制在了-π～π之間，要想得到完整的相位資訊就需要相位解包裹。作者首先生成随機矩陣，在求其絕對相位作為網絡的輸入，在對絕對相位做包裹操作之後，會得到網絡訓練的真值，如圖3所示。制作多組資料，制作訓練資料集，對網絡進行訓練。訓練完成之後，U-Net就可以執行相位解包裹操作。
圖3 資料産生和網絡訓練
本文隻是簡短的介紹了王凱強博士的相關工作，若有說的不對，歡迎批評指正。同時歡迎有需要的朋友去觀看其原版視訊和下載下傳其原始文章。由于可能涉及版權問題，這裡就不放截取視訊了，望各位朋友見諒。歡迎關注公衆号“羽峰碼字”，可以擷取更多相關文章呀！
參考文獻
[1] Wang, K. , et al. "Transport of intensity equation from a single intensity image via deep learning - ScienceDirect." Optics and Lasers in Engineering 134.
[2]Wang, K. , et al. "Y-Net: a one-to-two deep learning framework for digital holographic reconstruction." Optics Letters 44.19(2019):4765.
[3] Wang, K. , et al. "Y4-Net: a deep learning solution to one-shot dual-wavelength digital holographic reconstruction." Optics Letters 45.15(2020).
[4] Wang, K. , et al. "One-step robust deep learning phase unwrapping." Optics Express 27.10(2019):15100.