封面 | 无需预训练神经网络，太赫兹波同轴数字全息成像

本文为中国激光第3198篇。

欢迎点击在看、转发，让更多人看到  

《激光与光电子学进展》于2023年第18期（9月）推出“太赫兹波前获取与调控”专题，本封面为北京工业大学王大勇教授、赵洁副教授团队的特邀研究论文。

 

封面解读

 

本封面展示了先进的神经网络融合物理传播模型。该模型无须预训练数据集，赋能太赫兹同轴全息计算成像，展现高保真度，有望用于生物医学、反恐安检、质量检测等领域。

文章链接：赵洁, 金晓宇, 王大勇, 戎路, 王云新, 林述锋. 基于物理增强神经网络的连续太赫兹波同轴数字全息成像[J]. 激光与光电子学进展, 2023, 60(18): 1811002.

背景

 

太赫兹波（频率范围0.1 THz~10 THz）具备穿透性、惧水性、低光子能量等独特传播特性，在诸如医学成像、无损检测等领域有重要的应用。然而，目前太赫兹源和面阵探测器都处于发展阶段，各种元器件比较缺乏，高质量太赫兹波成像具有一定的难度。

同轴数字全息成像具有光路结构紧凑、稳定性高等优点，但是它往往受到孪生像串扰的困扰。

针对上述问题，课题组引入神经网络建立全息图强度分布和物体复振幅分布之间的映射关系。结合物理模型，使得神经网络不需要大量的标记数据进行预训练。在成像结果上，所提方法优于目前主流的方法。

太赫兹同轴数字全息的原理

 

太赫兹平面波正入射到一个二维薄样品，直接透射的、未经调制的均匀光波，被当作参考光波；经物体调制所产生的衍射光，被当作是物光波。当两者沿着相同方向传播到记录面时发生干涉，形成同轴数字全息图。在同轴数字全息的再现中，需要对记录的全息图进行衍射传播数值计算，获得具有孪生像和零级伪影干扰的再现振幅和相位分布，其中孪生像会严重影响再现成像结果的质量。需要研究各种迭代相位复原算法克服孪生像的影响。太赫兹同轴数字全息的记录原理如图1所示。

图1 太赫兹同轴数字全息图的记录示意图

物理增强神经网络的同轴数字全息再现

 

利用物理增强神经网络（PhysenNet）方法进行同轴数字全息再现（如图2），是一种将卷积神经网络和物理传播模型结合的迭代优化框架。采用的神经网络模型是卷积神经网络U-Net，作用是建立物体全息图强度分布和物体复振幅分布之间的映射关系，从而达到抑制再现中孪生像的目的。物理传播模型使用角谱传播方法（ASP）将物平面上的复振幅分布传播到记录平面，使得神经网络在迭代过程中得以训练和更新，避免了大量数据进行预训练的过程。

图2 利用PhysenNet方法进行同轴数字全息图再现的流程图。（a）基于物理增强的神经网络算法的流程图；（b）U-Net网络的结构示意图

太赫兹同轴数字全息实验系统

 

利用连续太赫兹波源搭建了同轴数字全息实验系统，实验装置的示意图如图3所示。使用的太赫兹激光器的中心波长约为0.118 mm，对应频率约为2.52 THz，最大输出功率约为500 mW。出射的太赫兹波经一对离轴抛物面镜（PM1和PM2）反射进行准直和扩束；扩束后的太赫兹波传播一段距离后照明样品，沿着相同的光轴方向传播到记录面；物光波与参考光波发生干涉形成同轴全息图，由太赫兹面阵探测器记录；太赫兹面阵探测器为热释电探测器（Pyrocam IV，Ophir Spiricon），像素间距为80 µm×80 μm，像素数为320×320，内置斩波频率为50 Hz。

图3 连续太赫兹波同轴数字全息实验光路示意图

• 薄样品的太赫兹同轴数字全息成像结果

（1）二元振幅型样品西门子星分辨率板，其光学图像如图4（a）所示。它是一块镀金膜硅片，硅片基底的厚度约为500 μm，其中未镀膜的硅片部分为透光区域，镀金膜部分为不透光区域，金膜厚度约为50 nm，每个扇形的顶角为15°。图4（b）和（c）是记录的全息图和对应的归一化全息图，图4（d-h）分别显示了利用ASP、ER、IDPR-RI、CCTV和PhysenNet方法再现的西门子星样品的振幅分布。PhysenNet方法再现的结果具有更尖锐的边缘，且背景区域具有更少的噪声干扰。从实验结果中计算得到该系统的横向分辨率为227 μm，与理论分辨率209 μm吻合得较好。

图4 不同相位复原算法再现的西门子星样品的振幅图像。（a-c）分别是样品的实物图像、全息图和归一化全息图；（d-h）分别是ASP、ER、IDPR-RI、CCTV和PhysenNet方法再现的振幅分布

（2）生物样本（蝉翅）样品，由膜层和翅脉组成的膜翅，其光学图像如图5（a）所示。图5（f）是蝉翅样品的归一化全息图。使用不同相位复原方法再现的振幅和相位分布如图5（b-e）和5（g-j）所示。可以看出，PhysenNet方法再现的振幅和相位分布细节丰富、背景均匀。

图5 不同相位复原方法再现的蝉翅样品的结果。（a）蝉翅样品实物图；（f）归一化全息图；（b-e）和（g-j）分别是ER、IDPR-RI、CCTV和PhysenNet方法再现重建的和相位分布

• 厚样品的太赫兹同轴数字全息成像结果

厚样品采用聚苯乙烯泡沫球，直径约为6.58 mm，图6为使用不同方法再现的振幅和相位分布。PhysenNet方法再现的振幅中，支撑杆的螺纹也可以清晰分辨，且背景区域更加均匀。

图6 聚苯乙烯泡沫球的再现结果对比。（a）样品光学图像；（b）归一化全息图；（c1-g1）和（c2-g2）分别是ASP、ER、IDPR-RI、CCTV和PhysenNet方法再现的振幅和相位分布

结论与展望

 

论文针对太赫兹波同轴数字全息成像提出了一种基于物理增强神经网络的迭代相位复原方法，有效克服同轴数字全息图再现中的孪生像问题。在PhysenNet方法中，将同轴数字全息成像过程的完整物理模型与未训练的神经网络（U-Net）相结合，避免了神经网络的预训练过程和大量标记数据的准备，使其能够从记录的单幅同轴数字全息图中有效且高保真地再现出样品的复振幅分布。在实验中，使用西门子星样品、蝉翅以及聚苯乙烯泡沫球样品表明了该方法的有效性，并且相比于其他典型的迭代相位复原算法，PhysenNet方法的再现准确性和质量方面具有更优越的性能。未来可以进一步扩大样品成像范围，应用于生物医学样品成像检测，该方法原则上也适用于其他太赫兹波相衬成像方法。

参考文献：

[1]Mittleman D M. TWenty years of terahertz imaging. Optics Express, 2018, 26(8): 9417-9431.

[2]Jin X, Zhao J, Wang D, et al. Iterative denoising phase retrieval method for twin-image elimination in continuous-wave terahertz in-line digital holography. Optics and Lasers in Engineering, 2022, 152: 106986.

[3]Zuo C, Qian J, Feng S, et al. Deep learning in optical metrology: a review. Light: Science & Applications, 2022, 11(1): 39.

[4]Wang F, Bian Y, Wang H, et al. Phase imaging with an untrained neural network. Light: Science & Applications, 2020, 9: 77.

[5]Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. Proc. MICCAI, 2015, 9351: 234-241.

科研团队

 

北京工业大学光信息处理实验室，隶属光学工程国家重点一级学科、光学北京市重点学科及物理学一级学科博士授权点，依托北京市精密测控技术与仪器工程技术研究中心、固体微结构与性能重点实验室等重点科研基地。主要研究方向为数字全息成像与三维显示、太赫兹成像、微波光子学技术等。目前承担国家自然科学基金重点项目1项和面上项目4项；北京市自然基金重点项目1项和面上项目2项；企业合作项目2项等。近五年已发表SCI收录论文40余篇，获授权国家发明专利20项，2017年获军队科技进步二等奖，2023年获北京市麒麟科学技术奖。

通信作者简介

 

 

王大勇，北京工业大学教授，博士生导师。长期从事数字全息、太赫兹成像、微波光子学等研究，主持国家基金国际合作重点项目、北京市基金重点项目等10余项科研课题，入选北京高校拔尖创新人才，曾获北京市科学技术奖和麒麟科技创新奖等。发表学术论文80余篇，获授权国家发明专利22项。美国光学学会（Optica）会员，国际光学工程学会（SPIE）会员，中国光学学会全息与光信息处理专业委员会常务理事，中国光学学会光电技术专业委员会常委，中国仪器仪表学会光机电一体化专业委员会理事。

赵洁，北京工业大学副教授，硕士生导师。长期从事光学数字全息成像，超分辨率成像技术，太赫兹成像技术等方向的研究。主持北京市自然科学基金面上项目1项，北京市工程研究中心开放课题1项，横向项目2项；发表学术论文34篇，获授权国家发明专利11项；获得2020年度河南省市场监督管理系统科技成果一等奖。中国仪器仪表学会光机电技术与系统集成分会高级会员，中国光学学会光电技术专业委员会会员，美国光学学会（Optica）会员，国际光学工程学会（SPIE）会员。