当相干光通过复杂散射介质（如磨砂玻璃、生物组织或多模光纤（MMF）传播时，多次散射事件会不断扰动和随机化光波前，导致传统成像模型的线性传播假设失效。因此，由于散射过程引入的振幅和相位之间的复杂非线性耦合，高保真度地重建原始光场变得极其困难[[1], [2], [3], [4]]。现有解决方案大致可分为两类：波前整形技术和基于光学效应的策略。前者包括光学相位共轭[[5], [6], [7], [8]]、传输矩阵测量[[9], [10], [11]]和自适应反馈控制[[12], [13], [14]]等方法，这些方法试图通过主动调制入射波前来直接反转或补偿散射过程。后者利用斑点相关性和记忆效应成像[15,16]，通过散射光的统计光学特性来获取隐藏物体的部分信息。尽管这些方法取得了显著进展，但它们都存在固有的局限性。基于记忆效应的成像受限于有限的角度视场，而波前整形方法在没有预先校准或完整传输矩阵测量的情况下，无法从单个捕获的斑点帧中恢复多层或轴向分布的相位结构。对于单次拍摄的三维（3D）轴向相位重建，传统光学方案通常依赖于多视角扫描[17,18]或干涉配置[19]，这需要复杂的光学设置、精确的机械稳定性和耗时的采集过程。其他研究尝试通过基于斑点相关的体积重建将记忆效应扩展到三维空间[20,21]，但这些方法仍然受到狭窄的角度相关范围和对环境波动的高敏感性的限制。因此，现有的物理方法本质上不适合在大视场和高轴向分辨率下进行快速、低成本且稳健的多层成像。
深度学习的快速发展为通过散射介质进行成像创造了新的可能性。通过直接学习斑点场到目标相位的映射，神经网络可以绕过显式的光传播建模，显著提高重建效率和灵活性。最近的研究展示了基于学习的策略在复杂光学环境中的潜力：生成对抗网络（GANs）已成功应用于三维相位恢复和全息重建[[22], [23], [24]]；双分支残差网络通过联合学习空间和轴向相关性实现了单次拍摄的3D荧光成像[25]；卷积神经网络（CNN）架构在细胞显微镜和相干成像任务中取得了实质性进展[[26], [27], [28], [29]]。尽管取得了这些成功，大多数方法仍然局限于弱散射条件或需要内部标记。然而，大多数现有方法采用实数值网络架构，主要关注斑点强度建模。这样的设计忽略了复数值光场中振幅和相位之间的内在耦合，导致部分结构信息丢失。在涉及轴向深度结构的场景中，这种限制尤为明显，实数值模型难以捕捉层间相关性和叠加效应，最终限制了重建精度。
散射介质独特的复振幅编码特性，加上深度学习解决病态逆问题的强大能力，使得可以从单次曝光的斑点场中恢复具有轴向多层分布的三维相位图像。然而，仅依赖于斑点模式强度信息的实数值神经网络难以准确描述光通过散射介质的复数值传播特性。这一限制导致光场表示不完整，进一步加剧了问题的病态性，最终限制了相位重建的精度和保真度。为了解决这些挑战，复数值神经网络（CVNN）提供了一种独特的范式，它们直接在复数域中对信号和操作进行建模，能够同时处理振幅和相位信息。由于CVNN与电磁波的物理特性具有内在兼容性，它们在各种与波相关的领域表现出色。在雷达成像中，它们利用合成孔径雷达（SAR）数据中的相位敏感特征来提高结构和目标区分度[30]。在光学计算和光子神经系统中，CVNN能够直接操纵和传播复数光场，支持高速和高密度的信息处理，以及在衍射和集成光子平台中的精确振幅-相位重建[31,32]。这些进展突显了CVNN与传统实数值架构相比在表示能力、计算效率和物理一致性方面的优越性。
基于这些见解，我们提出了一种基于复振幅编码和解码的端到端框架，用于从单次曝光中重建多个轴向分布的相位图像。在硬件层面，将一个离轴全息干涉模块引入光学系统以记录斑点场的复振幅分布。在软件层面，集成CVNN以处理特征提取、传播和梯度优化过程中的振幅-相位耦合。利用CVNN的表示优势和大规模训练数据集，所提出的网络隐式学习了从斑点复振幅到多深度轴向相位分布的非线性映射。我们的框架无需多角度或多帧采集，即可同时实现多个轴向平面的高保真重建，在重建精度、稳健性和适用于散射介质的复杂场成像方面具有明显优势。
