计算机生成全息图（CGH）通过计算生成全息图并通过光学方式重建目标波前，在3D显示[[1], [2], [3]]、数据存储[[4], [5], [6]]、光学操控[[7], [8], [9]]和光学加密[[10], [11], [12]]等领域具有广泛应用。这些应用中的一个关键挑战是确保高成像质量[13]。由于激光的高相干性[14]、全息图编码错误[15]以及传播模型的不准确性[16]，会导致计算机生成的全息图重建质量较低。迄今为止，已经提出了许多方法来应对这些挑战，包括部分相干策略[17]、相机内循环策略[[18], [19], [20]]、时间复用技术[[21], [22], [23]]和双相编码[24,25]。除了上述硬件依赖的方法外，还广泛研究了全息图的算法优化以实现高质量重建。现有的大多数优化算法主要针对仅相位全息图（POHs）。这些算法通常可以分为三类：交替投影法（主要包括Gerchberg-Saxton（GS）算法[26]）、基于梯度的逆向优化方法[[27], [28], [29], [30]]和基于深度学习的优化方法[31]。
尽管加载在空间光调制器（SLM）上的POHs具有明显优势，但由于数字微镜设备（DMDs）或液晶设备（LCDs）等设备的高刷新率和低成本[32]，仅振幅全息图（AOHs）也提供了独特的优势。尽管全息图的编码方法各不相同，但全息图合成算法的基本原理是一致的，可以普遍应用。因此，为POH开发的优化算法可以有效地应用于AOH的优化。Lee提出使用随机梯度下降（SGD）方法来优化二进制振幅全息图[33]。Velez-Zea通过引入子采样二值化随机梯度下降（SSB-SGD）技术进一步改进了这种方法，以提高优化性能[34]。Pei利用梯度下降方法来提高AOH的空间带宽积，同时考虑了共轭图像的影响[35]。Yang提出了一种基于破缺对称性的技术，有效消除了由共轭图像引起的伪影[36]。Wu提出使用专门为生成同轴AOH设计的神经网络[37]。考虑到实际设备中存在的量化误差[38]，傅里叶全息术反映了物体平面与全息平面之间的频域和空间域关系，因此对这类误差具有更高的容忍度。
在本文中，我们提出了一种新的AOH优化框架——波前驱动优化设计方法（WDOD），它在收敛速度和成像质量方面都有所改进。与以往的方法（如SGD方法和Wirtinger全息术）不同，后者直接假设成像模型可以视为单一的衍射重建过程来进行优化，而WDOD基于全息术中的干涉记录和衍射重建的基本原理，其中干涉记录过程在之前的研究中经常被忽视。我们通过优化虚拟物体波前的振幅和相位来间接优化全息图，从而更好地收敛到最优结果。由于优化路径的改进，我们通过干涉记录过程间接获得了优化后的全息图。此外，为了实现实时全息显示，我们在提出的框架内设计了一个基于模型的神经网络，该网络能够快速生成高质量的全息图并表现出优异的收敛性能。为了验证我们优化框架的通用性，我们通过结合角谱层导向方法和光谱重映射技术，将其扩展到支持多平面和倾斜平面成像优化，从而扩展了其在全息显示、光学操控和全息光刻等领域的应用潜力。此外，我们认为WDOD框架还可以应用于其他领域，如基于结构光场的集成电路缺陷检测[39,40]、光计算[41]、电子束调制[42,43]和生物成像[44]。
