Dans l'imagerie holographique numérique, le bruit d'anneau généré par la diffraction des micro-diffuseurs est amplifié de manière non linéaire en erreurs de phase structurées lors de la reconstruction numérique, limitant la précision de l'imagerie de phase quantitative et de la reconstruction 3D. En réponse au modèle théorique du bruit d'anneau et aux méthodes de suppression, un nouveau modèle de réseau de neurones convolutionnel collaborant domaine spatial et fréquentiel, FUResNet, est proposé. Un modèle de superposition de champs de diffraction multi-grains est établi pour simuler précisément le bruit d'anneau, combiné à un opérateur neural de Fourier, un cadre d'apprentissage résiduel et un mécanisme d'attention pour une suppression efficace du bruit d'anneau et une conservation précise des caractéristiques clés de l'hologramme. FUResNet surpasse les méthodes existantes dans les hologrammes simulés et réels : l'écart-type du bruit de fond est réduit de 73,9%, le rapport signal sur bruit de pointe augmente de 13,46 dB, la similarité structurelle simulée est améliorée de 13,9%. Des améliorations substantielles sont obtenues dans les trois dimensions clés de la suppression du bruit, de la fidélité de l'image et de la protection structurelle, offrant une solution efficace pour l'imagerie de phase quantitative de haute précision.

holographie numérique; bruit d'anneau; imagerie de phase; opérateur neural de Fourier; réseau de neurones convolutionnel