数字全息技术能够准确记录物体波和参考波形成的干涉图案。利用CCD或CMOS传感器等光电探测器，收集到的全息图随后通过基于标量衍射理论的数值重建进行处理，从而能够恢复物体波前的振幅和相位信息[1]。作为一种非接触式、全场式和高精度的方法，它为现代光学测量提供了强大的能力。数字全息重建算法是数字全息技术的核心组成部分，它利用先进的数字图像处理方法实现对全息图的高保真分析[2]。目前，两种主要的重建方法是菲涅尔变换方法（在近轴近似下简化了衍射计算[3]）和角谱方法（4），后者在不依赖近似的情况下提供了对波动方程的严格解。这两种方法都使用快速傅里叶变换（FFT）算法来实现高效的波前重建。为了克服传统数字全息重建算法在重建能力和成像精度方面的局限性，研究人员开发了各种增强方法并取得了实质性进展。Hossain等人[5]开发了一种改进的菲涅尔重建算法，通过优化参数配置和计算过程有效抑制了伪影失真。该算法显著提高了重建全息图的分辨率、对比度和清晰度。Nicola等人[6]提出了一种针对倾斜平面的重建方法，该方法将平面波的角谱理论与傅里叶域中的坐标旋转技术相结合。通过应用光谱插值进行数据校正，该方法实现了物体波场内倾斜平面的高精度重建，为数字全息断层扫描应用提供了新的技术途径。然而，上述改进方法在伪影抑制、相位保真度和计算效率方面仍存在明显局限性。由于深度学习在特征提取和非线性映射方面的独特优势，它越来越多地被应用于数字全息重建。
先前的研究表明，端到端深度学习重建框架可以有效地避免传统算法中固有的复杂计算过程。通过利用数据驱动策略，该框架在全息图和物体波前之间建立了直接的非线性映射，显著提高了计算效率，同时保持了重建精度。因此，已经开发出了多种基于深度学习的数字全息重建算法。Rivenson等人[7]提出了一种基于卷积神经网络的同轴全息重建算法，该算法能够直接从单个全息图的强度通过深度网络快速重建相位。Wang等人[8]开发了eHoloNet，这是一种端到端的全息重建框架，能够直接从单个离轴数字全息图重建物体波前，显示出对参考物体波光路差异变化的强鲁棒性。Wang等人[9]提出了Y-Net，这是一种专用的一对二深度学习模型，能够同时从单个数字全息图重建振幅和相位信息。通过简化网络参数，Y-Net降低了模型复杂性，同时优于传统网络。Ren等人[10]提出了HR-Net，这是一种端到端的全息重建网络，无需先验知识即可运行，并已成功应用于包括相位成像和深度图重建在内的复杂任务。Lu等人[11]提出了一种基于生成对抗网络（DHR-GAN）的数字全息重建方法。定量和定性实验结果表明，该方法提高了重建结果的稳定性，并在图像对比度和局部细节保真度方面取得了优异性能。
上述研究表明，传统数字全息重建算法受到频率选择和移动等固有局限性的约束，这些限制阻碍了高质量波前的重建。为了解决这些挑战，研究人员将深度学习技术集成到算法改进中，显著提高了灵活性、精度和鲁棒性。然而，目前基于深度学习的重建研究主要集中在在线数字全息系统中。在振幅信息的理论分析和定量评估方面仍存在显著差距，这反过来又限制了重建精度的进一步提高。因此，本文提出了一种新的多尺度残差网络架构。首先，在残差学习框架内采用并行的多分支卷积结构从全息图中提取多尺度空间特征。其次，通过交替堆叠膨胀卷积残差模块和标准残差单元，实现了层次化的特征融合机制，便于联合优化局部高频细节和全局结构特征。最后，引入了跨层残差连接以增强高频细节信息的传播效率。为了评估所提算法的性能，构建了离轴数字全息干涉测量光学路径设置来收集样本的全息图，并通过对比实验结果证明了该算法的有效性。
