从2D图像数据集生成多重深度3D计算机生成全息图的生成 接受CNN培训 接受CNN培训
Xingpeng Yan1, Jiaqi Li1, Yanan Zhang1
1Department of Information Communication, Army Academy of Armored Forces, Beijing, 100072, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|January 1, 2025
概括
本研究介绍了一种使用二维图像和卷积神经网络 (CNN) 创建计算机生成全息图 (CGH) 的新方法. 这种方法提高了全息图的质量和生成速度,克服了传统3D数据集的局限性.
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
- 机器学习 机器学习
背景情况:
- 基于学习的计算机生成全息图 (CGH) 的方法提供了高质量和速度.
- 由于数据同质化和获得3D数据集的困难,CGH模型的概括性有限.
研究的目的:
- 开发一种新的方法来训练使用2D图像数据集的3D编码模型.
- 提高CGH模型的概括能力.
主要方法:
- 利用在2D图像数据集上训练的卷积神经网络 (CNN) 来生成虚拟深度 (VD) 图像.
- 采用角光谱法 (ASM) 来进行层对层的衍射场计算.
- 开发了一个完全卷积神经网络,用于仅相位编码,在DIV2K-VD数据集上进行训练.
主要成果:
- 在0.061秒内成功生成了一个4K单相全息图.
- 实现了高质量的全息图,平均PSNR为34.7dB,SSIM为0.836.
- 与传统方法相比,在质量,效率和速度方面取得了显著的改进.
结论:
- 提出的基于CNN的方法有效地从2D数据生成高质量的CGH.
- 这种方法为全息图生成提供了实用和高效的解决方案,克服了数据集的局限性.


