文献：Yang-2020-Deep-learning projector for optical diffraction tomography
1、文章的目的：区别于传统的最小化目标函数正则化执行先验约束，采用在梯度下降算法中训练卷积神经网络（CNN）基于正则化作为投影仪。
2、背景：
经典的传统方法及缺点： Rytov 近似
                        在弱散射条件下有效，但对于具有高 RI 对比度、大半径或复杂结构的样品精度较低。
基于学习的重建方法：训练卷积神经网络 (CNN)以将通常通过经典方法获得的初重建映射到最终所需的结果。
3、修改传统的迭代算法，使网络扮演正则化器的角色
4、网络架构：探索了基于 PGD 的迭代方案，设计了一个基于 U-Net 架构的 CNN。该设置包括输入和输出之间的外部跳过连接，以便网络充当残差网络。此外，每次网络深度增加时，我们将编码器中的通道数量（左路径）加倍（从 32 开始，。我们也更换了( 3 * 3 )上转换层 ( 2 * 2 )转置卷积层，并在最后一个卷积层之后添加一个 Leakly 整流线性单元。
5、实验的步骤： 在第一阶段，我们仅使用输入数据集。
在第二阶段，我们连接数据集并使用整合了两部分的总损失训练 CNN。
在第三阶段，整个数据集被输入到优化中。
6、实验的结果评估：某些情况下直接 CNN 和 ScaDec 都无法恢复对象。此方法导致重建具有更准确的形状和 RI 值，因为它结合了一个反馈机制，确保与测量的一致性。此外，它的性能略好于 RytovTV，减轻锥体缺失问题