Python & MATLAB 仿真实现紧密聚焦全息网络--无监督学习实时3D精确光场调制

在微纳制造、光镊操控以及高速光通信等前沿领域，如何精确调控三维空间中的光场分布一直是光学工程中的核心问题之一。其中，相位型计算机生成全息（Computer Generated Holography, CGH）被认为是一种极具潜力的技术手段。通过设计全息相位，可以在紧密聚焦区域内灵活塑造复杂的三维光场，实现对光的精准操控。

然而，传统CGH计算方法往往存在一个明显瓶颈：计算速度较慢（对速度要求极高的场景中应用受限）。通常生成一次高质量全息图需要数秒甚至更长时间，这在需要高速动态调制光场的应用场景中（例如实时光学操控或高速激光加工）显得难以满足需求。

为了解决这一问题，研究者们提出了一种基于深度学习的三维紧密聚焦全息网络框架。该方法结合矢量衍射模型（Vectorial Diffraction Model）构建网络结构，并针对高数值孔径（High NA）物镜下的紧密聚焦效应与球差影响进行建模，使网络能够更加准确地描述真实光学系统中的光场传播特性。

此外，该网络还采用了分层学习（Layer-based Learning）策略，在训练过程中对重建的三维聚焦光场施加全局约束，从而有效提升三维光场重建的精度和稳定性。同时，该方法无需监督标签数据即可完成训练（即我们常说的无监督学习方式，不需要人工标注的数据），并能够在极短时间内生成高质量的全息相位（利用训练好的权重进行推理）。

在本期中，我们将深入解析并实现这一紧密聚焦全息网络（Tight-Focusing Holographic Network）的核心思想与实现方法，并通过完整的算法流程，实现基于无监督学习的实时三维光场调制。

一、参考论文及部分结果

J. Wu, X. Li, K. Sun, K. Gao, C. Chen, J. Qiu, D. Tan, Tight Focusing Holographic Network Enables 3D Real Time and Accurate Light Field Modulation. Laser Photonics Rev 2025, 19, 2401742.

https://onlinelibrary.wiley.com/action/showCitFormats?doi=10.1002%2Flpor.202401742

基于Unet架构的前向传播和反向传播

二、拆解算法核心流程

整体的算法流程如图所示，主要由前向传播反向传播和设计的损失函数构成（深度学习的基本流程）

三、Python&Matlab仿真结果

同时在3个平面上产生随机多焦点训练一轮的结果

同时在3个平面上产生随机多焦点训练10轮的结果

同时在3个平面上产生随机多焦点训练30轮的结果

同时在3个平面上产生随机圆形图案的训练20轮的结果