Wir führten in diesem Bericht drei Tests durch, um die Wiederverwendbarkeit und Anpassungsfähigkeit von FMGAN zu analysieren. Zunächst untersuchten wir die Reproduzierbarkeit der Ergebnisse von FMGAN gemäß dem Originalbericht und verglichen die Leistung mit zwei anderen aktuellen Bildrekonstruktionsnetzwerken, CycleGAN und PhaseGAN. Wir untersuchten auch den Einfluss der Einbeziehung eines FRC-Verlusts, indem wir die Leistung zwischen PhaseGAN und PhaseGAN verglichen. Unsere Ergebnisse waren konsistent mit den Ergebnissen aus ref. 1. Für die In-Verteilungs-Daten erreichten sowohl PhaseGAN (einschließlich PhaseGAN und PhaseGAN) als auch FMGAN hochpräzise Rekonstruktionsergebnisse, die den in dem Originalpapier berichteten Werten nahe kamen. FMGAN erzielte den höchsten Mittelwert und die niedrigste Standardabweichung der FSIM- und PCC-Werte der drei Netzwerke, was eine bessere Leistung im Vergleich zu CycleGAN und PhaseGAN zeigt. Für die OOD-Daten, bei denen die Testbilder aus einer anderen Verteilung stammten als die Trainingsdaten, übertraf FMGAN auch die anderen beiden Methoden in Bezug auf FSIM und PCC, was darauf hindeutet, dass FMGAN aufgrund des parametrisierten physikalischen Vorwärtsmodells eine bessere Generalisierbarkeit als CycleGAN und PhaseGAN aufweist.
Des Weiteren untersuchten wir die Auswirkungen der Einführung nicht-perfekter optischer Systeme durch Rauschen und Unschärfen auf die Leistung von CycleGAN, PhaseGAN und FMGAN. Zusätzlich untersuchten wir den Einfluss der Einführung eines expliziten Vorwärtspropagators, indem wir die Leistung zwischen FMGAN und FMGAN† verglichen. Unsere Ergebnisse zeigten, dass sowohl FMGAN als auch PhaseGAN unter dem Einfluss von Poisson-Rauschen und einheitlichen Gaußschen Unscharfen hochwertige Bilder rekonstruieren konnten, während CycleGAN viele wichtige Details in den rekonstruierten Bildern nicht erfassen konnte. Allerdings beobachteten wir Phasenartefakte bei den Rekonstruktionen von FMGAN und Bildhalluzinationen für die nicht-perfekten optischen Systeme 2 und 3. FMGAN† verbesserte die Rekonstruktionen, indem der Unschärfeeffekt explizit zum Vorwärtspropagator hinzugefügt wurde, was darauf hinweist, dass FMGAN gut unter störenden Bedingungen funktioniert.
Zuletzt untersuchten wir die Grenze der Anpassungsfähigkeit von FMGAN hinsichtlich der Ausbreitungsdistanzen. Unsere Analyse des FMGAN-Modells zeigt, dass es sehr gut für holografische Bildrekonstruktionen wiederverwendbar ist. Im Vergleich zu CycleGAN und PhaseGAN zeigte FMGAN eine bessere Leistung bei der Rekonstruktion von In-Verteilungsdaten aufgrund der Einbeziehung eines parametrisierten physikalischen Vorwärtsmodells. Allerdings zeigte sich, dass FMGAN Schwierigkeiten hatte, auf nicht perfekte optische Systeme zu reagieren, während PhaseGAN aufgrund seiner Fähigkeit, das optische System zu lernen, besser geeignet erschien. CycleGAN schnitt in allen Tests schlecht ab aufgrund des Mangels an einem physikalischen Modell.