基于编码传统神经网络的实时4K计算机生成全息图,使用已学习的分层相位编码.
Chongli Zhong1, Xinzhu Sang2, Binbin Yan3
1State Key Laboratory of Information Photonics and Optical Communications, Beijing University of Posts and Telecommunications, Beijing, 100876, China.
Scientific reports
|November 8, 2023
概括
一个新的神经网络有效地为3D场景生成4K计算机生成全息图 (CGH). 这种方法显著降低了计算负载,使实时全息显示应用程序成为可能.
科学领域:
- * 光学和光子学 * 光学和光子学
- * 计算机视觉和机器学习
- * 显示技术 显示技术
背景情况:
- *基于学习的计算机生成全息 (CGH) 显示为实时,高质量的全息显示提供了希望.
- *为实时3D场景生成4K CGH是计算密集且具有挑战性的.
研究的目的:
- * 开发一种有效的实时4K CGH生成方法,用于3D场景.
- * 解决高分辨率全息显示器生成中的计算挑战.
主要方法:
- * 为CGH编码提出了一个变体卷积神经网络 (CNN).
- *CNN利用学习的分层初始阶段进行分层CGH生成,优化图像质量.
- *网络在随机选择的深度层上进行训练,具有紧的938个参数.
主要成果:
- * 2D 4K CGH 的生成时间达到 18 ms,对于 3D 场景,每个层额外增加 12 ms.
- *在160-210毫米的深度范围内,平均峰值信号与噪声比 (PSNR) 超过30dB.
- * 经过实时验证的4K CGH生成能力.
结论:
- * 基于CNN的方法使得高质量的4K CGH能够有效地和实时地生成用于3D场景的4K CGH.
- * 该方法克服了计算限制,为先进的全息显示技术铺平了道路.
