文献：Wang-2020-Y4-Net a deep learning solution to one-shot dual-wavelength digital holographic reconstruction
1、文章中心：提出了一种一次性双波长数字全息的深度学习解决方案（Y4-Net，四输出通道网络）解决光谱重叠问题。
2、实验的对比： 从单个数字全息图中同时重建两个波长的复杂幅度信息
单波长结果作为网络真值来训练
3、传统的相提取方法：通过在线设置的相移方法获得多个全息图
离轴设置的光谱滤波方法
改进方法：当相位不连续时双波长的解决方案，用不同波长的全息图的叠加效应减少散斑噪声
4、传统提取方法的弊端：需要多个全息图或者需要对环境干扰敏感
解决方法：采用横向剪切来呈现单次双波长共路径DH
5、文章提出的方法及达成的成果：一种名为 Y-Net 的一对二卷积神经网络来学习和执行 DH 重建，Y4-Net 通过同时重建双波长 DH 的两个波前具有高效率，并且通过学习分离共路径情况的旁瓣而具有高准确度。
6、实验的步骤：数据集生成、网络训练、网络测试
7、实验测试的数据：500张双波长的全息图，用光谱滤波的方法得到实部和虚部作为基本事实，所有数据分为 80% 用于训练、10% 用于验证（过拟合检测）和 10% 用于测试。
8、实验中参数的设定：Adam 优化器的学习率为 0.002（每 15 个时期后减半）和 mini-batch 大小为 32，用于更新网络参数。
9、实验中对比信息：由Y4-Net输出的实部和虚部及重建结果
光谱非重叠和重叠的传统重建结果
使用掩码来屏蔽结果对应的重叠部分
10、Y4-Net模型的缺点：经过训练的网络只能在原始光学设置参数周围的小范围内有效。