深度学习图像回归：从图像中识别相位的完整实战指南摘要相位恢复与相位解缠是光学测量、合成孔径雷达干涉测量（InSAR）、数字全息显微成像等领域的核心问题，其目标是从观测到的强度图像或包裹相位图中恢复真实的连续相位分布。传统方法依赖严格的数学假设和迭代优化，在面对噪声、相位不连续和低相干区域时往往表现不佳。近年来，深度学习尤其是卷积神经网络（CNN）的兴起，为相位成像问题提供了全新的解决思路——将相位恢复建模为图像到图像的回归任务，通过数据驱动的方式学习从输入图像到相位图的连续映射。本文系统介绍如何利用深度学习完成图像相位回归任务，涵盖问题建模、数据集构建、网络架构设计、训练策略、评估方法及完整代码实现。全文以PyTorch为框架，提供可直接运行的端到端代码，适合从事计算成像、光学测量和遥感图像处理的研究者与工程师参考。第一章 引言1.1 相位成像问题的背景在光学干涉测量、数字全息、合成孔径雷达干涉测量（InSAR）等应用中，我们通常只能直接测量到光场的强度信息，而承载着物体高度、形变、折射率分布等关键信息的相位却无法直接获取。从强度或包裹相位中恢复真实相位的过程，称为相位恢复（Phase Retrieval）或相位解缠（Phase Unwrapping）。传统相位解缠方法主要分为两类：路径跟踪方法（如枝切法、质量引导算法）：沿特定路径积分相位，计算效率高但对