(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210654329.4 (22)申请日 2022.06.10 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 边丽蘅　朱晓勤　常旭阳　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 罗岚 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 无监督的深度学习全息成像方法及装置 (57)摘要 本发明提出一种无监督的深度学习全息成 像方法及装置， 其中方法包括， 采集待训练目标 的全息图； 通过将全息图在自由空间传播获取对 应的全息子图， 并构建包含全息图和全息子图的 数据集； 构建输入是全息子图， 输出是全息图的 神经网络， 使用数据集对神经网络进行训练， 获 取训练完成的神经网络。 本发明利用深度学习的 特征数据提取能力， 学习测量值到测量值之间潜 在的深层关系， 同时解决了深度学习中真值难获 取和成像 保真度不足的问题， 能实现大规模实时 全息成像 。 权利要求书2页 说明书6页 附图2页 CN 114972924 A 2022.08.30 CN 114972924 A 1.一种无监 督的深度学习全息成像方法， 其特 征在于， 包括以下步骤： 采集待训练目标的全息图； 通过将所述全息图在自由空间传播获取对应的全息子图， 并构建包含所述全息图和所 述全息子图的数据集； 构建输入是所述全息子 图， 输出是所述全息 图的神经网络， 使用所述数据集对神经网 络进行训练， 获取训练完成的神经网络 。 2.根据权利要求1所述的方法， 其特 征在于， 还 包括： 采集待恢复目标的全息图； 将所述全息图输入所述训练完成的神经网络， 输出重建的所述待恢复目标的图像。 3.根据权利要求1所述的方法， 其特征在于， 所述通过将所述全息图在自由空间传播获 取对应的全息 子图， 包括： 通过计算机模拟的形式， 将所述全息图在自由空间中传播距离d， 获得距离样本为2d的 全息子图， 进而构建包 含所述全息图和所述全息 子图的数据集。 4.根据权利要求1所述的方法， 其特征在于， 所述使用所述数据集对神经网络进行训 练， 包括： 将全息图数据集作为所述神经网络输出端参考数据， 全息子图数据集作为输入端数据 输到网络中进行训练， 通过预定次数 的前向和反向传播， 对所述神经网络的模型参数进行 优化。 5.根据权利要求2所述的方法， 其特征在于， 所述将所述全息图输入所述训练完成的神 经网络， 输出重建的所述待恢复目标的图像， 包括： 通过所述训练完成的神经网络的非线性表征能力和全息图之间模型信息的冗余重建 所述待恢复目标的图像。 6.一种无监 督的深度学习全息成像装置， 其特 征在于， 包括以下模块： 采集模块， 用于采集待训练目标的全息图； 构建模块， 用于通过将所述全息 图在自由空间传播获取对应的全息子 图， 并构建包含 所述全息图和所述全息 子图的数据集； 训练模块， 用于构建输入是所述全息子图， 输出是所述全息图的神经网络， 使用所述数 据集对神经网络进行训练， 获取训练完成的神经网络 。 7.根据权利要求6所述的装置， 其特 征在于， 还 包括， 重建模块， 用于： 采集待恢复目标的全息图； 将所述全息图输入所述训练完成的神经网络， 输出重建的所述待恢复目标的图像。 8.根据权利要求6所述的装置， 其特 征在于， 所述构建模块， 还用于： 通过计算机模拟的形式， 将所述全息图在自由空间中传播距离d， 获得距离样本为2d的 全息子图， 进而构建包 含所述全息图和所述全息 子图的数据集。 9.根据权利要求6所述的装置， 其特 征在于， 所述训练模块， 还用于： 将全息图数据集作为所述神经网络输出端参考数据， 全息子图数据集作为输入端数据 输到网络中进行训练， 通过预定次数 的前向和反向传播， 对所述神经网络的模型参数进行 优化。 10.根据权利要求6所述的装置， 其特 征在于， 所述重建模块， 还用于：权　利　要　求　书 1/2 页 2 CN 114972924 A 2通过所述训练完成的神经网络的非线性表征能力和全息图之间模型信息的冗余重建 所述待恢复目标的图像。权　利　要　求　书 2/2 页 3 CN 114972924 A 3