Student se ve své práci zabýval využitím hlubokého učení pro rozbalení fáze v obrázcích buněk z kvantitativního fázového mikroskopu, kde implementoval predikci pomocí sítě U-Net na syntetickém datasetu včetně optimalizace a drobných modifikací.
Po formální stránce práce obsahuje pouze drobné nedostatky; vytknout lze například malou velikost textu v některých obrázcích, nuly navíc tabulce 8.1 a chybějící barevná škála v obrázku 8.1.
Teoretická část práce je popsána poměrně dobře, i když obsahuje občasné nejasnosti a nepřesnosti. Zároveň je popis občas hůře pochopitelný a popis všeobecně dobře známé teorie hlubokého učení považuji za zbytečný. Naopak popis existujících metod rozbalení fáze je poměrně zdařilý a užitečný, i když tato rešerše by si zasloužila ještě větší pozornost včetně aktuálnějších článků a jejich případné zohlednění v praktické části. 
Text práce moc dobře nenavazuje, je neadekvátně dlouhý a špatně se čte. Praktická část je obsáhlá s velkým množstvím experimentů, ale ty jsou popsány poměrně nesystematicky a špatně se v nich orientuje. Porovnání s klasickými metodami je podle mě provedeno nesprávně (Obr. 8.3), kde hodnoty MAE větší než jeden fázový skok nemohou být z principu správné; toto ukazuje i Obr. 8.2 kde evidentně správně rozbalená fáze je vyhodnocená jako velmi špatná jen proto, že začíná od jiného počátku – to potvrzuje i Tab. 8.1, kde průměrná chyba činí právě 2*pi; toto je nutné při vyhodnocení zohledňovat, jelikož obrázek informaci o počáteční hodnotě fáze z principu neobsahuje. Některé výsledky a závěry tedy považuji za chybné, což je zásadní pro celkové hodnocení. Oceňuji pak snahu o alespoň částečnou optimalizaci hyperparametrů pomocí testování několika nastavení.
Student pracoval samostatně s minimálním počtem konzultací a většinu času práci věnoval v posledních týdnech, což se projevilo na kvalitě.
Zadání považuji za splněné, přesto bych ocenil otestování novějších a pokročilejších přístupů. Vzhledem k výše uvedeným nedostatkům hodnotím stupněm D – 69 bodů. Points proposed by supervisor: 69

Práce je obsáhlého rozsahu, celkově 106 stran, text obsahuje mnoho zbytečně popisných pasáží, v teoretické části autor vysvětluje základní pojmy jako např. Perceptron nebo aktivační funkce. Celkově je styl psaní rušivě vleklý a popis je nevyvážený; některé základní věci jsou popisovány příliš podrobně, zatímco podstatné aspekty návrhu a výsledků jsou uvedeny povrchně. V textu se vyskytují překlepy, nesprávně použité nebo přeložené odborné termíny (např. „křížová entropie“). Naopak rešerše existujících metod relevantních k problému je zpracována přehledně a hodnotím ji jako zdařilou, včetně uváděných citací.
V praktické části student vytvořil syntetický dataset, na kterém následně trénoval převzatý model U-Net s ResNet enkoderem. Síť byla testována v regresním i klasifikačním režimu, přičemž ladění parametrů probíhalo pomocí ručního nastavování dvou hyperparametrů, což student nevhodně nazývá experimenty. Tato optimalizace by si zasloužila větší pozornost s využitím sofistikovanějších přístupů vzhledem k náplni/zadání práce. Dále toto řešení porovnal se dvěma tradičními metodami, přičemž výsledky porovnává a diskutuje. Celkový návrh řešení a vyhodnocení výsledků hodnotím kladně, nicméně některé dílčí části nejsou úplně vysvětleny a možná i nevhodně zvoleny.
Závažnější výtky směřují k formě prezentace výsledků a popisu řešení. V práci bych ocenil bloková schémata procesů, která by přehledně shrnula navržené metody nebo strukturu dat. Mnoho kapitol je tvořeno pouze dlouhými slovními popisy bez vizuální podpory. Chybí mi zde i prezentace výsledků na validačním a trénovacím datasetu. Také tabulky a obrázky v práci vykazují určité nedostatky (např. obr. 8.1 a 8.2 nemají popsaný colorbar hodnotami; sloupeček v Tab. 8.2 (DRG) je zvýrazněn tučně bez odůvodnění; v obrázku 1.5 jsou záporné hodnoty amplitudového spektra bez bližšího komentáře, což působí chybně; Tab 8.1 obsahuje podivná čísla, navíc není jasné, proč je zde využito znaménka “přibližně”; v Tab 6.4 není zřejmý pojem "vzorka”).
Popis řešení je veden spíše chronologicky, kde student popisuje, co v jednotlivých fázích práce dělal, namísto toho, aby představil finální funkční návrh, jeho odůvodnění a strukturu. Příkladem může být Kap. 5 o prvotním učením regresní sítě, kterou považuji za nadbytečnou. U srovnání tradičních metod průměrná MAE rovna 2*pí poukazuje spíše na chybný způsob jejich vyhodnocení. Diskuzi oscilací na učební křivce považuji za nerelavantní.
Odevzdané kódy jsou na dobré úrovni, kde je zřejmý silný otisk využití jazykových modelů, nicméně jejich využití pro úpravy a ladění kódů student v práci uvádí.

Přestože práce obsahuje řadu formálních i obsahových nedostatků, zadání považuji za splněné. Hodnotím stupněm D – 68 bodů Topics for thesis defence:

1. Proč byl zvolen maximální počet 120 epoch, když z učebních křivek je patrný stále klesající trend?
2. V poslední kapitole uvádíte vyhodnocení zobecnění jednotlivých modelů. Bylo by možné jejich úspěšnost objektivně porovnat také na experimentálních snímcích z CCHM?

Points proposed by reviewer: 68