Optics Letters 2025|自干涉数字全息中的无监督串扰抑制

        自干扰数字全息术将数字全息术的应用拓展到了荧光和散射光等非相干成像领域，据我们所知，为低相干或部分相干信号的宽场三维成像提供了一种新的解决方案。然而，串扰信息一直是限制该成像方法分辨率的重要因素。串扰信息的抑制是一个复杂的非线性问题，深度学习能够通过数据驱动的方法轻松获得其对应的非线性模型。但在实际实验中，很难获取成对的数据集来完成训练。在此，我们提出了一种基于循环一致生成对抗网络（CycleGAN）的自干扰数字全息术无监督串扰抑制方法。通过引入显著性约束，该无监督模型（命名为无监督神经网络串扰抑制（CS-UNN））能够在无需配对训练数据的情况下学习两个图像域之间的映射，同时避免图像内容的失真。实验分析表明，该方法能够在无需对大量配对数据集进行训练策略的情况下抑制重建图像中的串扰信息，为自干扰数字全息技术的应用提供了一种有效的解决方案。