基于CGAN的离轴数字全息自动聚焦与相位重建技术OA

离轴数字全息术能够非侵入、无标记地获取生物样本的定量相位信息,然而传统的基于自动聚焦与相位重建的两步法在从单幅全息图中准确恢复相位时,往往受限于初始离焦范围、低效的焦面搜索以及噪声敏感性。针对上述问题,提出了一种基于条件生成对抗网络(CGAN)的方法,实现全息图的高效鲁棒自动聚焦与相位重建。该网络通过跳跃连接实现多尺度特征融合,有效保留了图像细节,并显著增强了对离焦范围的适应性。首先,搭建了离轴数字全息显微干涉系统,然后以PC3细胞和LNCaP细胞为样本构建数据集进行训练与测试。实验结果表明,与ResNet-pix2pix、U-Net及CycleGAN等方法相比,该方法在结构相似性、峰值信噪比和相位剖面均方根误差等定量指标上均表现出更优性能,从而为数字全息相位成像提供了一种无须迭代焦面搜索与像差补偿的高效相位重建框架。