Python & MATLAB 仿真实现紧密聚焦全息网络(2)---无监督学习

上一期，我们已经实现了无监督学习多焦点和简单结构的无监督重建，本期将紧接着上期实现任意图片的高保真构建。在传统的计算全息（CGH）方法中，我们往往依赖迭代优化算法（如GS算法）或监督学习模型来实现目标光场的重建。然而，这些方法通常存在计算复杂、依赖标签数据、泛化能力有限等问题。无监督学习驱动的全息网络（Unsupervised Holographic Network）可以实现：1）不依赖真实标签数据；2）不需要复杂的人工标注；3）直接从物理模型中学习；4）实现高精度、实时的光场调控。

一、无监督学习

在全息成像任务中，理想输出（目标光场）虽然已知，但：

因此，无监督学习成为一种更自然的选择：

核心思想：

利用物理传播模型作为“监督信号”

即：

相位（网络输出） → 光场传播（物理模型） → 与目标光场对比 → 计算损失

这本质上是一个：Physics-informed Learning（物理约束学习）

二、系统整体架构

整个无监督全息网络可以分为三个核心模块：

1）相位生成网络（Phase Generator）

• 输入：目标光强分布（Target Intensity）
• 输出：相位图（Phase Map）
• 常用结构：
• CNN / U-Net
• Transformer

2） 光场传播模型（Forward Model）

这是整个架构的关键：菲涅尔传播（Fresnel Diffraction）/ 高数值孔径物镜衍射积分网络、傅里叶光学传播（FFT-based propagation），这个过程必须是可微的（Differentiable）

3）损失函数（Loss Function）

常见设计：MSE（目标光强 vs 重建光强）、SSIM（结构相似性）、能量约束（Energy Constraint）

训练10轮结果，S1=1

训练20轮结果，S1=1

训练50轮结果, S1=1

训练1轮结果, S1=2

训练20轮结果, S1=2

训练50轮结果, S1=2

训练60轮结果, S1=2

多焦点训练30轮结果