深度学习用于连续太赫兹同轴数字全息重建

由于太赫兹面阵探测器像元数少，且目标像素数较少，全息图的衍射效应明显，因此其重建较可见光全息图重建困难。研究两种将深度学习用于二维连续太赫兹同轴数字全息振幅重建的方法，并与传统的角谱法（ASM）和带切趾的振幅约束相位恢复算法（APRA）进行对比。第一种是端对端的U-net网络重建方法（H-UnetM），即网络输入图像为全息图；第二种是角谱法加U-net网络重建方法（AS-UnetM）。仿真研究表明，对于记录距离15～20 mm、分辨率0.3～0.5 mm目标的2.52 THz全息图，AS-UnetM重建优于APRA，而H-UnetM仅优于ASM但不如APRA。最后通过真实实验加以验证，结果表明H-UnetM能够重建目标，但部分背景噪声也被突出，而采用ASUnetM在目标附近的重建效果最佳。