光作为电磁场，有两个基本组成部分：振幅和相位。然而，通常依靠光子到电子转换的光学探测器由于采样频率有限而无法捕获光场的相位。
幸运的是，随着光场的传播，相位延迟也会导致振幅分布发生变化;因此，我们可以记录传播光场的振幅，然后计算相应的相位，称为相位恢复。
一些常见的相位恢复方法包括全息/干涉测量、Shack-Hartmann 波前传感、强度方程传递和基于优化的方法。它们在时空分辨率、计算复杂度和应用范围方面各有不足。
近年来，作为迈向真正人工智能的重要一步，通常通过深度神经网络实现的深度学习在相位恢复方面取得了前所未有的性能。
在发布在《光：科学与应用》上的一篇综述论文中，来自香港大学、西北工业大学、香港中文大学、广东工业大学和麻省理工学院的科学家从以下四个角度回顾了各种深度学习阶段恢复方法：
相位恢复的深度学习预处理：神经网络在相位恢复前对强度测量进行一些预处理，如像素超分辨率、降噪、全息图生成、自动对焦等。
用于相恢复的深度学习处理：神经网络通过有监督或无监督学习模式直接执行相恢复或与物理模型或基于物理的算法一起参与相恢复过程。
相位恢复的深度学习后处理：神经网络在相位恢复后进行后处理，如降噪、分辨率增强、像差校正和相位展开。
用于相位处理的深度学习：神经网络将恢复的相位用于特定应用，例如分割、分类和成像模态转换。
当深度学习应用于相恢复的各个过程时，它不仅带来了前所未有的效果，也带来了一些不可预知的风险。有些方法可能看起来相同，但存在难以检测的差异。这些科学家指出了一些类似方法之间的差异和联系，并就如何充分利用深度学习和物理模型进行相恢复提出了建议：
“应该注意的是，uPD 方案没有大量强度图像作为先决条件，但每次推理都需要多次迭代;而tPD方案仅通过训练后的神经网络一次即可完成推理，但需要大量的强度图像进行预训练。
“zf是一个固定向量，这意味着神经网络的输入与样本无关，因此神经网络不能像PD方法那样进行预训练，“他们在介绍结构先验物理网络策略时说。
“基于学习的深度神经网络具有巨大的潜力和效率，而传统的基于物理的方法更可靠。因此，我们鼓励将物理模型与深度神经网络相结合，特别是对于那些从现实世界中建模良好的模型，而不是让深度神经网络作为'黑匣子'执行所有任务，“科学家们说。
