Modelo de difusión condicional para la síntesis de hologramas invisibles de alta calidad

Área de la Ciencia:

• Visión por Computadora
• Holografía
• Inteligencia Artificial

Sus antecedentes:

• Los métodos existentes para la síntesis de hologramas invisibles luchan con inconsistencias físicas y control de atributos limitado.
• Los modelos no de extremo a extremo generan artefactos debido a errores de fase, mientras que los métodos basados en autoencoders carecen de flexibilidad en la manipulación de atributos.

Objetivo del estudio:

• Desarrollar un modelo de difusión condicional de extremo a extremo para la síntesis directa de hologramas invisibles a partir de restricciones semánticas y físicas.
• Permitir un control preciso sobre atributos holográficos como la profundidad de difracción, minimizando los parámetros del modelo.

Principales métodos:

• Se propuso holo-LDM, un modelo de difusión condicional de extremo a extremo que utiliza UNets de valor complejo y transformadores de atención cruzada.
• Se emplearon UNets impulsados por modelos físicos para generar conjuntos de datos holográficos con supresión de moteado.
• Se integraron transformadores de atención cruzada para la alineación dinámica de etiquetas con características holográficas durante la eliminación del ruido.

Principales resultados:

• Se sintetizaron hologramas de alta calidad en diversas categorías con control preciso de la profundidad de difracción.
• Se logró una mejora de más del 30% en la distancia de Fréchet Inception (FID) en comparación con las bases de referencia no de extremo a extremo.
• Se redujeron los costos de entrenamiento en un orden de magnitud con un modelo compacto de 2 KB de parámetros.

Conclusiones:

• holo-LDM ofrece una solución eficiente y efectiva para la síntesis de hologramas invisibles con control de atributos de grano fino.
• El modelo demuestra un rendimiento superior y una menor sobrecarga de entrenamiento, allanando el camino para experiencias avanzadas de realidad mixta.