2018年9月，中国科学院上海光学精密机械研究所信息光学与光电子技术实验室成功利用深度学习方法实现数字同轴全息恢复。该项研究提供了一种全新的能够应用于相位检测方面的基于深度学习方法的同轴全息重建方法。相关成果发表在9月3日的Optics Express 期刊上。

　　数字全息技术在许多科学领域都有着重要应用，而同轴数字全息技术因为能够充分利用相机的空间带宽积而被广泛应用在成像、检测、计量等领域。但由于同轴全息恢复受到了孪生像的限制，需要精确的相移技术、迭代恢复算法等技术对孪生像进行去除。最近，深度学习方法在计算成像领域方兴未艾，其已经被应用在计算鬼成像、自由空间相位恢复等方面。然而，深度学习方法在数字全息重建方面的可行性以及有效性仍然未被证实。

　　该课题组提出利用一种新的卷积神经网络(eHoloNet)(图1所示)从单幅的数字同轴全息图中恢复重建物体的波前。在实验中，研究人员首先利用激光照明已知的物体并采集相对应的数字同轴全息图。之后，这些数字同轴全息图被用来训练神经网络，从而可以帮助神经网络获取抽象的图像特征。一旦神经网络训练完成，研究人员可以利用训练好的神经网络从采集到的同轴全息图中重构出物体波前。课题组已经证明他们提出的神经网络eHoloNet可以成功去除同轴全息中的孪生像并且可以从采集到的单幅同轴全息图中直接重构出物体波前(图2所示)。

　　该工作由中科院前沿科学重点研究项目、国家自然科学基金、上海自然科学基金支持。

　　图1 研究人员提出的eHoloNet网络结构。

　　图2 同轴全息重建恢复结果。(a),(d)为采集到的数字同轴全息图; (b), (e)为利用神经网络恢复出的物体图像; (c), (f) 为目标物体图像。