DOI: 10.17586/1023-5086-2024-91-03-62-78

УДК: 535.8 004.93

Нейросетевые методы в цифровой и компьютерной голографии. Обзор

Черёмхин П.А., Рымов Д.А., Свистунов А.С., Злоказов Е.Ю., Стариков Р.С.

Ссылка для цитирования:

Черёмхин П.А., Рымов Д.А., Свистунов А.С., Злоказов Е.Ю., Стариков Р.С. Нейросетевые методы в цифровой и компьютерной голографии. Обзор // Оптический журнал. 2024. Т. 91. № 3. С. 62–78. http://doi.org/10.17586/1023-5086-2024-91-03-62-78

Cheremkhin P.A., Rymov D.A., Svistunov A.S., Zlokazov E.Yu., Starikov R.S. Neural-network-based methods in digital and computer-generated holography. А review [in Russian] // Opticheskii Zhurnal. 2024. V. 91. № 3. P. 62–78. http://doi.org/10.17586/1023-5086-2024-91-03-62-78

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Аналитический обзор применения актуальных нейросетевых методов для задач цифровой и компьютерной голографии, в том числе для восстановления амплитудно-фазовой информации с цифровых голограмм, характеризации голографируемых объектов, классификации объектов, приведения фазы волны к абсолютному виду, синтеза компьютерных голограмм и дифракционных оптических элементов и др. Цель работы. Систематизация новейших сведений о методах, основанных на использовании нейронных сетей, обеспечивающих преимущества и новые возможности в решении проблем, стоящих перед цифровой и компьютерной голографией. Метод. В основе рассмотренных в обзоре методов лежит обучение нейронных сетей методам голографии и их применение для конкретных задач компьютерной и цифровой голографии. В обучающий набор для парного обучения (с учителем) обычно входит набор изображений — идеально представленные объекты исследования (восстановленная амплитуда поля, отраженного от объекта, непрерывная фаза поля в интервале, большем чем 2p, сечение трех-мерной сцены и др.) и некоторые соответствующие им распределения интенсивности или фазы (например цифровые голограммы). В случае же непарного обучения (без учителя) сеть может быть обучена на не участвующих в исследовании или даже случайных объектах. По результатам обучения нейросеть может быть применена к решению задачи в конкретной постановке. Основные результаты. Представлен аналитический обзор работ по применению нейронных сетей в задачах голографии, основное внимание при написании обзора уделено новейшим публикациям по данной тематике. Приведены основные типы архитектур нейронных сетей, которые наиболее эффективно показали себя при решении задач области. Статьи, посвященные рассматриваемой теме, систематизированы по областям применения. Обсуждаются наиболее интересные, по мнению авторов настоящего обзора, результаты, достигнутые в данном направлении. Практическая значимость. Обзор будет полезен как исследователям, специализирующимся в областях компьютерной и цифровой голографии, так и читателям, работающим в смежных направлениях. Обзор позволит ознакомиться с актуальными нейросетевыми методами и техниками, используемыми при восстановлении информации с цифровых голограмм и при синтезе компьютерных голограмм и дифракционных элементов, а также узнать о возможностях и об особенностях практического применения таких методов. Представленные в обзоре сведения демонстрируют, что при решении ряда задач использование нейросетевых методов вместо методов, основанных на стандартных и классических подходах, позволяет получить значительное преимущество в скорости получения и/или информативных качествах искомого результата.

Ключевые слова:

цифровая голография, компьютерная голография, нейронные сети, глубокое обучение, реконструкция изображения, дифракционный оптический элемент, восстановление фазы, архитектура U-Net, классификация объектов, распознавание изображений, генеративно-состязательная нейросеть, трех-мерное поле частиц, приведение фазы волны к абсолютному виду, архитектура ResNet, оптико-цифровой синтез

Благодарность:

работа выполнена при финансовой поддержке Российского научного фонда, грант № 23-12-00336

Коды OCIS: 090.1995, 110.4280, 230.5160, 090.1760

Список источников:

1. Pi D., Liu J., Wang Y. Review of computer-generated hologram algorithms for color dynamic holographic three-dimensional display // Light Sci. Appl. 2022. V. 11. P. 231. https://doi.org/10.1038/s41377-022-00916-3

2. Ouyang W., Xu X., Lu W., et al. Ultrafast 3D nanofabrication via digital holography // Nat. Commun. 2023. V. 14. P. 1716. https://doi.org/10.1038/s41467-023-37163-y

3. Dorrah A.H., Bordoloi P., de Angelis V.S., et al. Light sheets for continuous-depth holography and three-dimensional volumetric displays // Nat. Photon. 2023. V. 17. P. 427–434. https://doi.org/10.1038/s41566-023-01188-y

4. Situ G. Deep holography // Light: Advanced Manufacturing. 2022. V. 3. № 2. P. 278–300. https://doi.org/10.37188/lam.2022.013

5. Zeng T., Zhu Y., Lam E.Y. Deep learning for digital holography: A review // Opt. Exp. 2021. V. 29. № 24. P. 40572–40593. https://doi.org/10.1364/oe.443367

6. Rivenson Y., Zhang Y., Günaydın H., et al. Phase recovery and holographic image reconstruction using deep learning in neural networks // Light Sci. Appl. 2018. V. 7. № 2. P. 17141. https://doi.org/10.1038/lsa.2017.141

7. Chen H., Huang L., Liu T., et al. Fourier imager Network (FIN): A deep neural network for hologram reconstruction with superior external generalization // Light Sci. Appl. 2022. V. 11. P. 254. https://doi.org/10.1038/s41377-022-00949-8

8. Рымов Д.А., Черёмхин П.А., Стариков Р.С. Нейросетевая реконструкция сцен с цифровых голограмм на основе извлечения амплитуды и фазы // Оптический журнал. 2022. Т. 89. № 9. С. 11–19. https://doi.org/10.17586/1023-5086-2022-89-09-11-19

Rymov D.A., Starikov R.S., Cheremkhin P.A. Neural-network-enabled holographic image reconstruction via amplitude and phase extraction // J. Opt. Technol. 2022. V. 89. № 9. P. 511–516. https://doi.org/10.1364/JOT.89.000511

9. Ju Y.-G., Choo H.-G., Park J.-H. Learning-based complex field recovery from digital hologram with various depth objects // Opt. Exp. 2022. V. 30. № 15. P. 26149–26168. https://doi.org/10.1364/oe.461782

10. Shao S., Mallery K., Kumar. S.S., et al. Machine learning holography for 3D particle field imaging // Opt. Exp. 2020. V. 28. № 3. P. 2987–2999. https://doi.org/10.1364/oe.379480

11. Wu Y., Wu J., Jin. S., et al. Dense-U-net: Dense encoder-decoder network for holographic imaging of 3D particle fields // Opt. Commun. 2021. V. 493. P. 126970. https://doi.org/10.1016/j.optcom.2021.126970

12. Svistunov A.S., Rymov D.A., Starikov R.S., et al. HoloForkNet: Digital hologram reconstruction via multibranch neural network // Appl. Sci. 2023. V. 13. № 10. P. 6125. https://doi.org/10.3390/app13106125

13. Eybposh M.H., Caira N.W., Atisa M., et al. DeepCGH: 3D computer-generated holography using deep learning // Opt. Exp. 2020. V. 28. № 18. P. 26636–26650. https://doi.org/10.1364/OE.399624

14. Ishii Y., Shimobaba T., Blinder D., et al. Optimization of phase-only holograms calculated with scaled diffraction calculation through deep neural networks // Appl. Phys. B. 2022. V. 128. P. 22. https://doi.org/10.1007/s00340-022-07753-7

15. Kadis A., Mouthaan R., Dong D., et al. Binary-phase computer-generated holography using hardware-in-the-loop feedback // OSA Imaging and App. Opt. Congress 2021 (3D, COSI, DH, ISA, pcAOP). Washington, DC United States. July 19–23, 2021. P. DW5E.1. https://doi.org/10.1364/DH.2021.DW5E.1

16. Yu G., Wang J., Yang H., et al. Asymmetrical neural network for real-time and high-quality computer-generated holography // Opt. Lett. 2023. V. 48. № 20. P. 5351–5354. https://doi.org/10.1364/OL.497518

17. Zhong C., Sang X., Yan B., et al. Real-time high-quality computer-generated hologram using complex-valued convolutional neural network // IEEE Trans. Vis. Comput. Graph. 2023. P. 1–11. https://doi.org/10.1109/TVCG.2023.3239670

18. Zheng H., Peng J., Wang Z., et al. Diffraction model-driven neural network trained using hybrid domain loss for real-time and high-quality computer-generated holography // Opt. Exp. 2023. V. 31. № 12. P. 19931–19944. https://doi.org/10.1364/OE.492129

19. Delli P.M., Memmolo P., Ciaparrone G., et al. Neuroblastoma cells classification through learning approaches by direct analysis of digital holograms // IEEE Sel. Top. Quantum Electron. 2021. V. 27. № 5. P. 1–9. https://doi.org/10.1109/JSTQE.2021.3059532

20. Dudaie M., Barnea I., Nissim N., et al. On-chip label-free cell classification based directly on off-axis holograms and spatial-frequency-invariant deep learning // Sci. Rep. 2023. V. 13. № 1. P. 12370. https://doi.org/10.1038/s41598-023-38160-3

21. Castaneda R., Trujillo C., Doblas A. Video-rate quantitative phase imaging using a digital holographic microscope and a generative adversarial network // Sensors. 2021. V. 21. № 23. P. 8021. https://doi.org/10.3390/s21238021

22. Huang L., Liu T., Yang X., et al. Holographic image reconstruction with phase recovery and autofocusing using recurrent neural networks // ACS Photonics. 2021. V. 8. № 6. P. 1763–1774. https://doi.org/10.1021/acsphotonics.1c00337

23. Zeng T., So H.K.-H., Lam E.Y. RedCap: Residual encoder-decoder capsule network for holographic image reconstruction // Opt. Exp. 2020. V. 28. № 4. P. 4876–4887. https://doi.org/10.1364/oe.383350

24. Di J., Wu J., Wang K., et al. quantitative phase imaging using deep learning-based holographic microscope // Front. Phys. 2021. V. 9. P. 651313. https://doi.org/10.3389/fphy.2021.651313

25. Wang H., Lyu M., Situ G. eHoloNet: A learning-based end-to-end approach for in-line digital holographic reconstruction // Opt. Exp. 2018. V. 26. № 18. P. 22603–22614. https://doi.org/10.1364/oe.26.022603

26. Wang K., Song L., Wang C., et al. On the use of deep learning for phase recovery // arXiv. 2023. P. 2308.00942. https://doi.org/10.48550/arXiv.2308.00942

27. Yin D., Gu Z., Zhang Y., et al. Digital holographic reconstruction based on deep learning framework with unpaired data // IEEE Photonics J. 2020. V. 12. № 2. P. 1–12. https://doi.org/10.1109/JPHOT.2019.2961137

28. Wang S., Jiang X., Guo H., et al. Improved SNR and super-resolution reconstruction of multi-scale digital holography based on deep learning // Opt. Commun. 2023. V. 545. № 4. P. 129634. https://doi.org/10.1016/j.optcom.2023.129634

29. Wu Y., Luo Y., Chaudhari G., et al. Bright-field holography: Cross-modality deep learning enables snapshot 3D imaging with bright-field contrast using a single hologram // Light Sci. Appl. 2019. V. 8. № 1. P. 25. https://doi.org/10.1038/s41377-019-0139-9

30. Jaferzadeh K., Fevens T. HoloPhaseNet: Fully automated deep-learning-based hologram reconstruction using a conditional generative adversarial model // Biomed. Opt. Exp. 2022. V. 13. № 7. P. 4032–4046. https://doi.org/10.1364/boe.452645

31. Niknam F., Qazvini H., Latifi H. Holographic optical field recovery using a regularized untrained deep decoder network // Sci. Rep. 2021. V. 11. № 1. P. 10903. https://doi.org/10.1038/s41598-021-90312-5

32. Zhang Y., Andreas M.N., Vagovoc P., et al. PhaseGAN: A deep-learning phase-retrieval approach for unpaired datasets // Opt. Exp. 2021. V. 29. № 13. P. 19593–19604. https://doi.org/10.1364/oe.423222

33. Horisaki R., Fujii K., Tanida J. Single-shot and lensless complex-amplitude imaging with incoherent light based on machine learning // Opt. Rev. 2018. V. 25. № 5. P. 593–597. https://doi.org/10.1007/s10043-018-0452-1

34. Xu Z., Zuo S., Lam E.Y. End-to-end learning for digital hologram reconstruction // High-Speed Biomedical Imaging and Spectroscopy III: Toward Big Data Instrumentation and Management. San Francisco, United States. January 27 – February 1, 2018. P. 36. https://doi.org/10.1117/12.2288141

35. Chen B., Li Z., Zhou Y., et al. Deep-learning multiscale digital holographic intensity and phase reconstruction // Appl. Sci. 2023. V. 13. № 17. P. 9806. https://doi.org/10.3390/app13179806

36. Li H., Chen X., Chi Z., et al. Deep DIH: Single-shot digital in-line holography reconstruction by deep learning // IEEE Access. 2020. V. 8. P. 202648–202659. https://doi.org/10.1109/ACCESS.2020.3036380

37. Chen X., Wang H., Razi A., et al. DH-GAN: A physics-driven untrained generative adversarial network for holographic imaging // Opt. Exp. 2023. V. 31. P. 10114–10135. https://doi.org/10.1364/OE.480894

38. Wang K., Kemao Q., Di J., et al. Y4-Net: A deep learning solution to one-shot dual-wavelength digital holographic reconstruction // Opt. Lett. 2020. V. 45. № 15. P. 4220. https://doi.org/10.1364/ol.395445

39. Wang K., Dou J., Kemao Q., et al. Y-Net: A one-to-two deep learning framework for digital holographic reconstruction // Opt. Lett. 2019. V. 44. № 19. P. 4765–4768. https://doi.org/10.1364/ol.44.004765

40. Shimobaba T., Takahashi T., Yamamoto Y., et al. Digital holographic particle volume reconstruction using a deep neural network // Appl. Opt. 2019. V. 58. № 8. P. 1900–1906. https://doi.org/10.1364/AO.58.001900

41. Shao S., Mallery K., Hong J. Machine learning holography for measuring 3D particle distribution // Chem. Eng. Sci. 2020. V. 225. P. 115830. https://doi.org/10.1016/j.ces.2020.115830

42. Horisaki R., Takagi R., Tanida J. Deep-learning-generated holography // Appl. Opt. 2018. V. 57. № 14. P. 3859–3863. https://doi.org/10.1364/AO.57.003859

43. Lee J., Jeong J., Cho J., et al. Deep neural network for multi-depth hologram generation and its training strategy // Opt. Exp. 2020. V. 28. № 18. P. 27137–27154. https://doi.org/10.1364/OE.402317

44. Zheng H., Hu J., Zhou C., et al. Computing 3D phase-type holograms based on deep learning method // Photonics. 2021. V. 8. № 7. P. 280. https://doi.org/10.3390/photonics8070280

45. Khan A., Zhijiang Z., Yu Y., et al. GAN-Holo: Generative adversarial networks-based generated holography using deep learning // Complexity. 2021. V. 2021. P. 1–7. https://doi.org/10.1155/2021/6662161

46. Zhu R., Chen L., Zhang H. Computer holography using deep neural network with Fourier basis // Opt. Lett. 2023. V. 48. № 9. P. 2333–2336. https://doi.org/10.1364/OL.486255

47. Yang D., Seo W., Yu H., et al. Diffraction-engineered holography: Beyond the depth representation limit of holographic displays // Nat. Commun. 2022. V. 13. № 1. P. 6012. https://doi.org/10.1038/s41467-022-33728-5

48. Shi L., Li B., Matusik W. End-to-end learning of 3D phase-only holograms for holographic display // Light Sci. Appl. 2022. V. 11. № 1. P. 247. https://doi.org/10.1038/s41377-022-00894-6

49. Horisaki R., Nishizaki Y., Kitaguchi K., et al. Three-dimensional deeply generated holography // Appl. Opt. 2021. V. 60. № 4. P. A323–A328. https://doi.org/10.1364/AO.404151

50. Shi L., Li B., Kim C., et al. Towards real-time photorealistic 3D holography with deep neural networks // Nature. 2021. V. 591. № 7849. P. 234–239. https://doi.org/10.1038/s41586-020-03152-0

51. Dong Z., Xu C., Ling Y., et al. Fourier-inspired neural module for real-time and high-fidelity computer-generated holography // Opt. Lett. 2023. V. 48. № 3. P. 759–762. https://doi.org/10.1364/OL.477630

52. Liu K., Wu J., He Z., et al. 4K-DMDNet: Diffraction model-driven network for 4K computer-generated holography // Opto-Electronic Adv. 2023. V. 6. № 5. P. 220135 https://doi.org/10.29026/oea.2023.220135

53. Liu Q., Chen J., Qiu B., et al. DCPNet: A dual-channel parallel deep neural network for high quality computer-generated holography // Opt. Exp. 2023. V. 31. № 22. P. 35908–35921. https://doi.org/10.1364/OE.502503

54. Sun F., Zhu L., Wang W., et al. Three-dimensional dynamic optical trapping using non-iterative computer-generated holography // Opt. Lasers Eng. 2023. V. 164. P. 107500. https://doi.org/10.1016/j.optlaseng.2023.107500

55. Faini G., Tanese D., Molinier C., et al. Ultrafast light targeting for high-throughput precise control of neuronal networks // Nat. Commun. 2023. V. 14. № 1. P. 1888. https://doi.org/10.1038/s41467-023-37416-w

56. Peng Y., Choi S., Padmanaban N., et al. Neural holography with camera-in-the-loop training // ACM Trans. Graph. 2020. V. 39. № 6. P. 1–14. https://doi.org/10.1145/3414685.3417802

57. Peng Y., Choi S., Kim J., et al. Speckle-free holography with partially coherent light sources and camera-in-the-loop calibration // Sci. Adv. 2021. V. 7. № 46. P. eabg5040. https://doi.org/10.1126/sciadv.abg5040

58. Gopakumar M., Kim J., Choi S., et al. Unfiltered holography: Optimizing high diffraction orders without optical filtering for compact holographic displays // Opt. Lett. 2021. V. 46. № 23. P. 5822–5825. https://doi.org/10.1364/OL.442851

59. Chao B., Gopakumar M., Choi S., et al. High-brightness holographic projection // Opt. Lett. 2023. V. 48. № 15. P. 4041–4044. https://doi.org/10.1364/OL.489617

60. Pavillon N., Sekhar C.S., Kühn J., et al. Suppression of the zero-order term in off-axis digital holography through nonlinear filtering // Appl. Opt. 2009. V. 48. № 34. P. H186–H195. https://doi.org/10.1364/AO.48.00H186

61. Bianco V., Memmolo P., Leo M., et al. Strategies for reducing speckle noise in digital holography // Light Sci. Appl. 2018. V. 7. № 1. P. 48. https://doi.org/10.1038/s41377-018-0050-9

62. Cheremkhin P.A., Evtikhiev N.N., Krasnov V.V., et al. Shot noise and fixed-pattern noise effects on digital hologram reconstruction // Opt. Lasers Eng. 2021. V. 139. P. 106461. https://doi.org/10.1016/j.optlaseng.2020.106461

63. Leith E.N., Upatnieks J. Wavefront reconstruction with diffused illumination and three-dimensional objects // JOSA. 1964. V. 54. № 11. P. 1295–1301. https://doi.org/10.1364/JOSA.54.001295

64. Yamaguchi I., Zhang T. Phase-shifting digital holography // Opt. Lett. 1997. V. 22. № 16. P. 1268–1270. https://doi.org/10.1364/OL.22.001268

65. Momey F., Denis L., Olivier T., et al. From Fienup’s phase retrieval techniques to regularized inversion for in-line holography: Tutorial // JOSA. A. 2019. V. 36. № 12. P. D62–D80. https://doi.org/10.1364/JOSAA.36.000D62

66. Gerchberg R.W., Saxton W.O. A practical algorithm for the determination of phase from image and diffraction plane pictures // Optik. 1971. V. 2. P. 237–246.

67. Ding B., Qian H., Zhou J. Activation functions and their characteristics in deep neural networks // 2018 Chinese Control and Decision Conf. (CCDC). Shenyang, China. June 9–11, 2018. P. 1836–1841. https://doi.org/10.1109/CCDC.2018.8407425

68. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation // Lecture Notes in Computer Sci. 2015. V. 9351. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28

69. Nguyen T., Bui V., Lam V., et al. Automatic phase aberration compensation for digital holographic microscopy based on deep learning background detection // Opt. Exp. 2017. V. 25. № 13. P. 15043–15057. https://doi.org/10.1364/oe.25.015043

70. Wang K., Li Y., Kemao Q., et al. One-step robust deep learning phase unwrapping // Opt. Exp. 2019. V. 27. № 10. P. 15100–15115. https://doi.org/10.1364/oe.27.015100

71. He K., Zhang X., Ren S., et al. Deep residual learning for image recognition // 2016 IEEE Conf. Computer Vision and Pattern Recognition (CVPR). Las Vegas, United States. June 26 – July 1, 2016. P. 770–778. https://doi.org/10.1109/CVPR.2016.90

72. Pan X., Tewari A., Leimkühler T., et al. Drag your GAN: Interactive point-based manipulation on the generative image manifold // Special Interest Group on Computer Graphics and Interactive Techniques Conf. Conf. Proc. Los Angeles, United States. August 6–10, 2023. P. 1–11. https://doi.org/10.1145/3588432.3591500

73. Terbe D., Orzó L., Zarándy Á. Classification of holograms with 3D-CNN // Sensors. 2022. V. 22. № 21. P. 8366. https://doi.org/10.3390/s22218366

74. Huang L., Chen H., Liu T., et al. Self-supervised learning of hologram reconstruction using physics consistency // Nat. Mach. Intell. 2023. V. 5. № 8. P. 895–907. https://doi.org/10.1038/s42256-023-00704-7

75. Lu Z., Cao Y., Liu M., et al. Image-to-image translation for improved digital holographic reconstruction based on a generative adversarial network learning framework // Opt. Laser Technol. 2023. V. 166. P. 109654. https://doi.org/10.1016/j.optlastec.2023.109654

76. Chen H., Huang L., Liu T., et al. EFIN: Enhanced Fourier imager network for generalizable autofocusing and pixel super-resolution in holographic imaging // IEEE Sel. Top. Quantum Electron. 2023. V. 29. № 4. P. 1–10. https://doi.org/10.1109/JSTQE.2023.3248684

77. Verrier N., Atlan M. Off-axis digital hologram reconstruction: Some practical considerations // Appl. Opt. 2011. V. 50. № 34. P. H136–H146. https://doi.org/10.1364/AO.50.00H136

78. Ren Z., Xu Z., Lam E.Y. End-to-end deep learning framework for digital holographic reconstruction // Advanced Photonics. 2019. V. 1. № 1. P. 016004. https://doi.org/10.1117/1.AP.1.1.016004

79. Park S., Kim Y., Moon I. Automated phase unwrapping in digital holography with deep learning // Biomed. Opt. Exp. 2021. V. 12. № 11. P. 7064–7081. https://doi.org/10.1364/boe.440338

80. Park S., Kim Y., Moon I. Fast automated quantitative phase reconstruction in digital holography with unsupervised deep learning // Opt. Lasers Eng. 2023. V. 167. P. 107624. https://doi.org/10.1016/j.optlaseng.2023.107624

81. Huang L., Tang J., Yan L., et al. Wrapped phase aberration compensation using deep learning in digital holographic microscopy // Appl. Phys. Lett. 2023. V. 123. № 14. P. 141109. https://doi.org/10.1063/5.0166210

82. Zhang Y., Lu Y., Wang H., et al. Automatic classification of marine plankton with digital holography using convolutional neural network // Opt. Laser Technol. 2021. V. 139. P. 106979. https://doi.org/10.1016/j.optlastec.2021.106979

83. Kim S.-J., Wang C., Zhao B., et al. Deep transfer learning-based hologram classification for molecular diagnostics // Sci. Rep. 2018. V. 8. № 1. P. 17003. https://doi.org/10.1038/s41598-018-35274-x

84. Yolalmaz A., Yüce E. Comprehensive deep learning model for 3D color holography // Sci. Rep. 2022. V. 12. № 1. P. 2487. https://doi.org/10.1038/s41598-022-06190-y

85. Chen L., Zhu R., Zhang H. Speckle-free compact holographic near-eye display using camera-in-the-loop optimization with phase constraint // Opt. Exp. 2022. V. 30. № 26. P. 46649–46665. https://doi.org/10.1364/OE.475066

86. Cuenat S., Andréoli L., André A.N., et al. Fast autofocusing using tiny transformer networks for digital holographic microscopy // Opt. Exp. 2022. V. 30. № 14. P. 24730–24746. https://doi.org/10.1364/OE.458948

87. Fang Q., Xia H., Song Q., et al. Speckle denoising based on deep learning via a conditional generative adversarial network in digital holographic interferometry // Opt. Exp. 2022. V. 30. № 12. P. 20666–20683. https://doi.org/10.1364/oe.459213

88. Dong Z., Ling Y., Xu C., et al. Gaze-contingent efficient hologram compression for foveated near-eye holographic displays // Displays. 2023. V. 79. P. 102464. https://doi.org/10.1016/j.displa.2023.102464

89. Wang H., Li K., Jiang X., et al. Zero-order term suppression in off-axis holography based on deep learning method // Opt. Commun. 2023. V. 537. P. 129264. https://doi.org/10.1016/j.optcom.2023.129264

90. Yu H., Kim Y., Yang D., et al. Deep learning-based incoherent holographic camera enabling acquisition of real-world holograms for holographic streaming system // Nat. Commun. 2023. V. 14. № 1. P. 3534. https://doi.org/10.1038/s41467-023-39329-0