Gedankennet

数字全息显微镜应用于3D计算机微型...

摘要。深度神经网络（DNN）越来越多地在应用科学的各种领域中使用，尤其是在计算机视觉和图像处理等领域，它们可以增强仪器的性能。各种高级相干成像技术，包括数字全息图，利用卷积神经网络（CNN）或视觉变压器（VIT）等不同的深层体系结构。这些体系结构能够提取不同的指标，例如自动关联重建距离或3D位置确定，促进自动显微镜和相位图像恢复中的应用。在这项工作中，我们提出了一种使用Gedankennet模型的改编版本的混合方法，并与UNET样模型相结合，目的是访问Micro-Objects 3D姿势测量。这些网络在模拟全息数据集上进行了培训。我们的方法在推断3D姿势时达到了98％的精度。我们表明，Gedankennet可以用作回归工具，并且比微小的（TVIT）模型更快。总体而言，将深层神经网络整合到数字全息显微镜中和3D计算机微视频中，有望显着提高全息图的稳健性和处理速度，以精确的3D位置推理和控制，尤其是在微型机器人应用中。