透射电镜电子全息术是一种能在纳米尺度上定量测量电磁场的强大工具，在半导体器件、磁性纳米结构和功能纳米材料研究中有着广泛的应用。然而，其灵敏度受到散粒噪声的限制，尤其是在低电子剂量条件下，散粒噪声会淹没由细微条纹漂移所携带的微弱信号。

近日，课题组联合于利希研究中心Ernst Ruska电镜中心与华南理工大学多模态感知重建与生成实验室，在《Advanced Science》期刊上发表研究论文，提出了一种以傅里叶空间边带相位信息作为物理先验的无监督深度神经降噪网络——HoloDenoiser。

该网络能够在低电子剂量的成像条件下恢复弱相位物体的特征性分布，将相位测量精度提升了3–4，优于传统去噪方法以及现有先进的深度学习方法，为电子束敏感材料和生物样品的成像提供了新的可能。同时，定量功率谱密度分析表明，该网络可在整个频谱范围内选择性地抑制噪声，并保持载波频率峰与边带结构不变——从频率分辨的角度，进一步印证了其对相位信息的高保真能力。该方法的设计思想有望推广至电子全息术之外的其他干涉成像技术，包括光学全息与X射线全息。

该工作得到国家自然科学基金、国家重点研发计划、中央高校基本科研业务费、广东省量子科学战略专项、广州市基础与应用基础研究项目、小米青年学者项目，以及德国科学基金会和欧洲研究理事会等的资助。

图: 用于电子全息图去噪的深度学习方法。（a）HoloDenoiser 的网络架构。（b）降噪过程中的频域演化过程。

论文信息：Y. Luo, et al. “ Deep-Learning-Based Denoising for Improved Phase Precision in Electron Holography of Electromagnetic Fields in Nanoscale Materials.” Advanced Science (2026): e77380.https://doi.org/10.1002/advs.77380