通过神经网络提升光效在仅相全息图中的效率
Balakiruthika Periyasamy1, Heeseong Hwang1, Daeho Yang2
1Department of Physics, Gachon University, 1342 Seongnam-daero, Sujeong-gu, Seongnam-si, Gyeonggi-do, Korea.
Scientific reports
|October 14, 2025
概括
新型神经网络ShuffleResnet提高了全息图重建效率59%,并提高了图像质量. 这种人工神经网络方法为实时全息应用提供了更快的处理速度.
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
- 人工智能的人工智能
背景情况:
- 对于单相空间光调制器 (SLM) 的传统双相编码方法 (DPM) 在光效和重建质量方面存在局限性.
- 人工神经网络 (ANN) 在推进全息合成和重建方面表现有前途.
研究的目的:
- 引入ShuffleResnet,一种神经相位编码方法来克服DPM的局限性.
- 在全息应用中提高光效和重建保真度.
主要方法:
- 开发了ShuffleResnet,一个神经相位编码模型.
- 利用数值模拟来评估与传统DPM相比的性能.
- 在1920x1080分辨率下测试全息码编码.
主要成果:
- 与DPM相比,光效率提高了59%.
- 证明了改进的重建质量和文物抑制.
- 每个全息图的平均推断速度为4.74毫秒.
结论:
- ShuffleResnet显著提高了光效和重建保真度.
- 该模型的快速推断速度表明实时全息应用的巨大潜力.
- 这种神经网络方法为仅基于相位的SLM全息图提供了优质的替代方案.


