衍射模型驱动的神经网络使用混合域损失进行训练,用于实时和高质量的计算机生成全息

科学领域:

• 光学是什么?光学是什么?光学是什么?
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 基于学习的计算机生成全息 (CGH) 显示出对实时全息显示的前景.
• 由于CNN在跨域任务中的局限性,现有的方法在高质量的全息生成方面遇到了困难.

研究的目的:

• 开发一种新的神经网络,用于生成高保真度仅相位全息图 (POH).
• 通过解决当前基于学习的CGH算法的局限性来提高全息画质量.

主要方法:

• 介绍了Res-Holo,一个衍射模型驱动的神经网络.
• 使用预训练的ResNet34重量来提取特征和防止过度拟合.
• 嵌入式混合域损失 (空间和频率) 改进全息生成.

主要成果:

• 使用混合域损失实现了峰值信号噪声比 (PSNR) 的6.05dB改进.
• 产生了高保真度2K分辨率POH,平均PSNR为32.88dB.
• 在光学实验中证明了有效的图像质量改善和文物抑制.

结论:

• Res-Holo有效地产生高质量的POH,性能优于现有方法.
• 混合域损失策略对于提高全息图像保真度至关重要.
• 该方法在单色和全彩全息显示屏上都显示出实际应用.