Terahertz (THz)-Wellen, mit Frequenzen zwischen 0,1 THz und 10 THz, stellen elektromagnetische Strahlung dar, die zwischen Mikrowellen und Infrarotlicht liegt. Aufgrund ihrer nicht-ionisierenden und energiearmen Eigenschaften sind THz-Wellen für lebendes Gewebe ungefährlich und ermöglichen sichere Anwendungen in der biomedizinischen Bildgebung. Zudem können sie nichtmetallische Materialien wie Papier, Kunststoff, Keramik und Textilien durchdringen und sind empfindlich gegenüber polaren Molekülen, Wassergehalt und chemischen Zusammensetzungen. Diese Eigenschaften machen sie besonders geeignet für Anwendungen in der Sicherheitskontrolle, Biomedizin, Arzneimittelqualitätsprüfung, Analyse von Verbundwerkstoffen und der Untersuchung kulturellen Erbes. Mit den jüngsten Fortschritten in Hochgeschwindigkeits-Elektronik, quantenbasierten THz-Quellen und Detektorarrays entwickeln sich THz-Systeme hin zu höheren Frequenzen, größerer Leistung und höherer Integration. Diese Entwicklungen verbessern die Machbarkeit von THz-Systemen in technischen Anwendungen erheblich. Beispielsweise sind neuartige THz-Quellen wie photoleitende Antennen, die durch Femtosekundenlaser gepumpt werden, und Quantenkaskadenlaser (QCL) zunehmend kommerziell verfügbar. Die Detektionstechnologie hat sich von thermischen Detektoren zu kohärenten Detektionssystemen mit höherer Empfindlichkeit und schnellerer Reaktionszeit entwickelt. Auf dieser Grundlage entstehen integrierte THz-Bildgebungssysteme und miniaturisierte Module, die den Einsatz in Sicherheitskontrolltoren, medizinischen Scannern und industriellen Inspektionsplattformen ermöglichen. Trotz der verbesserten Hardwareleistung stehen THz-Bildgebungssysteme bei der praktischen Implementierung vor mehreren Herausforderungen. Einerseits sind die Systemkosten hoch und die Geräte komplex, was ihre breite Anwendung in ressourcenarmen Umgebungen einschränkt. Andererseits weisen THz-Bilder häufig niedrigen Kontrast, hohe Rauschsensitivität und Schwierigkeiten bei der Erfassung von Phaseninformationen auf, was die Effektivität nachfolgender Bildverarbeitungs- und Analysealgorithmen erheblich einschränkt. Daher ist es entscheidend, die Rekonstruktionsfähigkeit und Informationsnutzungseffizienz der Bilddaten zu verbessern und leistungsstarke, wenig abhängige und übertragbare Bildrekonstruktionsmethoden zu entwickeln. Um diesen Herausforderungen zu begegnen, wurde ein einheitlicher Rahmen für die THz-Bildrekonstruktion entwickelt, der auf physik-informierten neuronalen Netzwerken basiert. Der Kern dieses Ansatzes ist die Integration der physikalischen Ausbreitungsgesetze von THz-Wellen, insbesondere der Winkel-Spektrum-Methode (Angular Spectrum Method), als eingebettetes physikalisches Modul in die Vorwärtsstruktur und Verlustfunktion des neuronalen Netzwerks. Dadurch entsteht ein neuronales Netzwerk, das sowohl über Bilddarstellungsfähigkeiten als auch über physikalische Einschränkungen verfügt. Dieser Ansatz ermöglicht unter komplexen Bedingungen wie fehlender Referenzwelle, begrenzten Beschriftungsdaten und teilweiser Verdeckung die hochpräzise Rekonstruktion von Amplitude, Phase und 3D-Struktur des Zielobjekts aus einem einzelnen Intensitätsbild. Phase 1: Zwei-dimensionale komplexe Amplitudenrekonstruktion durch Kombination von überwachtem und unüberwachtem Lernen In der ersten Phase wurde eine Methode entwickelt, die überwachtes und unüberwachtes Lernen kombiniert, um aus einem einzelnen THz-Beugungsbild die zweidimensionale komplexe Amplitudeninformation (Amplitude und Phase) des Objekts im Raum zu rekonstruieren. Diese Methode verwendet das Beugungsbild, das nur Intensitätsinformationen enthält, als Eingabe und nutzt die physikalischen Ausbreitungsmechanismen der Winkel-Spektrum-Methode zur hochpräzisen Rekonstruktion des komplexen Feldes des Ziels. Simulationen und Experimente zeigen, dass diese Methode in Bezug auf Rekonstruktionsgenauigkeit, Konturschärfe und Bildstabilität herkömmlichen Algorithmen wie dem Gerchberg–Saxton-Algorithmus und Fourier-basierten Inversionsmethoden überlegen ist. Ein bemerkenswerter Vorteil dieser Methode ist die effektive Vermeidung des sogenannten "Twin-Image"-Problems, das bei herkömmlichen iterativen Algorithmen häufig auftritt. In Inline-Bildgebungsstrukturen, die keine Referenzwelle verwenden, kann die Phasenrekonstruktion durch die Überlagerung von Vorwärts- und Rückwärtsausbreitungspfaden zu Spiegelartefakten führen. Herkömmliche Algorithmen versuchen, diese Artefakte durch heuristische Strategien in mehreren Iterationen zu unterdrücken, was jedoch bei Verdeckung oder unscharfen Rändern begrenzt wirksam ist. Das hier vorgeschlagene physik-informierte neuronale Netzwerk integriert die Winkel-Spektrum-Ausbreitungsgesetze direkt in die Netzwerkstruktur und Verlustfunktion, wodurch die Entstehung von Twin-Images grundlegend vermieden wird.