基于衍射光学元件和CNN的整体成像的深度扩展方法

科学领域:

• 光学和光子学 在光学和光子学.
• 计算机视觉 计算机视觉
• 显示技术 显示技术

背景情况:

• 基于镜头的显示系统存在偏差和有限的景深 (DoF),导致图像模糊和扭曲.
• 在显示器中扩展DoF通常涉及横向和轴向分辨率之间的权衡,阻碍高分辨率3D显示功能.
• 现有的方法难以在3D显示中同时实现扩展的DoF和高分辨率.

研究的目的:

• 克服基于镜头的系统的局限性,并增强重建的3D图像的DoF和分辨率.
• 提出一种结合衍射光学元件 (DOE) 优化和卷积神经网络 (CNN) 图像预校正的新方法.
• 为了实现深度不变点扩散函数 (PSF) 分布,并弥补图像质量下降.

主要方法:

• 使用Adam算法优化了衍射光学元件 (DOE) 阶段分布,取代了传统镜头.
• 使用卷积神经网络 (CNN) 进行原始图像的预校正,以减轻 DOE 诱导的质量下降.
• 结合方法在一个实用的整体成像系统中实施和测试.

主要成果:

• 提出的方法成功地将DOE的DoF扩展到400毫米.
• 在多个深度平面上实现了高分辨率的3D显示.
• 在整个扩展的DoF范围内证明了深度不变和集中点扩散函数 (PSF) 的分布.

结论:

• 优化DOE和CNN预校正的集成有效地提高了3D显示系统中的DoF和分辨率.
• 这种方法克服了传统显示技术固有的权衡.
• 数字模拟和光学实验验证了为高级3D显示器提出的方法的有效性和实用性.