Resumen

El desarrollo actual en una red neuronal profunda (DNN) ha brindado una oportunidad para un nuevo marco de trabajo para la reconstrucción de una imagen holográfica y un método de recuperación de fase con rendimiento en tiempo real. Existen muchas técnicas basadas en aprendizaje profundo que se han propuesto para la reconstrucción de imágenes holográficas, pero estos métodos basados en aprendizaje profundo aún pueden carecer de rendimiento, complejidad temporal, precisión y rendimiento en tiempo real. Debido al cálculo iterativo, la generación de un CGH requiere un largo tiempo de computación. Se propone un nuevo marco de trabajo de holografía de red generativa adversaria profunda (GAN-Holo) para la reconstrucción de hologramas. Este nuevo marco de trabajo consta de dos fases. En la primera fase, utilizamos el método basado en Fresnel para crear el conjunto de datos. En la segunda fase, entrenamos la imagen de entrada en bruto y los datos de imagen de etiqueta holográfica de la fase uno de las imágenes adquiridas. Nuestro método tiene la capacidad de un

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Desarrollo; Red neuronal profunda; Imagen holográfica; Recuperación de fase; Rendimiento en tiempo real; Red generativa adversarial
• Keywords:Development; Deep neural network; Holographic image; Phase recovery; Real-time performance; Generative adversarial network