文獻：Yang-2020-Deep-learning projector for optical diffraction tomography
1、文章的目的：區別於傳統的最小化目標函式正則化執行先驗約束，採用在梯度下降演算法中訓練卷積神經網路（CNN）基於正則化作為投影儀。
2、背景：
經典的傳統方法及缺點：Rytov 近似
                        在弱散射條件下有效，但對於具有高 RI 對比度、大半徑或複雜結構的樣品精度較低。
基於學習的重建方法：訓練卷積神經網路 (CNN)以將通常通過經典方法獲得的初重建對映到最終所需的結果。
3、修改傳統的迭代演算法，使網路扮演正則化器的角色
4、網路架構：探索了基於 PGD 的迭代方案，設計了一個基於 U-Net 架構的 CNN。該設定包括輸入和輸出之間的外部跳過連線，以便網路充當殘差網路。此外，每次網路深度增加時，我們將編碼器中的通道數量（左路徑）加倍（從 32 開始，。我們也更換了(3*3)上轉換層(2*2)轉置卷積層，並在最後一個卷積層之後新增一個 Leakly 整流線性單元。
5、實驗的步驟： 在第一階段，我們僅使用輸入資料集。
在第二階段，我們連線資料集並使用整合了兩部分的總損失訓練 CNN。
在第三階段，整個資料集被輸入到優化中。
6、實驗的結果評估：某些情況下直接 CNN 和 ScaDec 都無法恢復物件。此方法導致重建具有更準確的形狀和 RI 值，因為它結合了一個反饋機制，確保與測量的一致性。此外，它的效能略好於 RytovTV，減輕錐體缺失問題