Blog

Jun 02, 2023

WiMi Hologram Cloud ha sviluppato un'efficiente tecnologia CGH basata su deep learning e reti neurali

PECHINO, 9 giugno 2023 /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​o la "Società"), fornitore leader mondiale di tecnologia Hologram Augmented Reality ("AR"), ha annunciato oggi un nuovo E

PECHINO, 9 giugno 2023 /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​o la "Società"), fornitore leader mondiale di tecnologia Hologram Augmented Reality ("AR"), ha annunciato oggi un nuovo e una soluzione più efficiente per l’olografia generata dal computer (CGH) attraverso l’apprendimento profondo e la tecnologia delle reti neurali. Il deep learning può trovare la soluzione ottimale o locale ottimale durante il funzionamento, rendendo efficiente il calcolo del CGH. CGH è stato applicato a trappole di luce olografiche, display 3D, concentratori planari, display AR, ecc.

La tecnologia CGH può ottenere la migliore modulazione dell'onda risolvendo inversamente il campo luminoso personalizzato. La qualità dell'immagine è limitata dalla precisione della modulazione SLM, che solitamente è difficile rappresentare il campo luminoso target. In pratica, la soluzione degli ologrammi computazionali è sempre approssimativa e sono necessari metodi numerici per determinare gli ologrammi fattibili per ottenere il fronte d'onda meglio codificato. L'attuale calcolo in CGH utilizza solitamente algoritmi iterativi e i metodi non iterativi sono progettati per risparmiare tempo di calcolo evolvendo l'algoritmo GS. Nonostante il miglioramento, questi metodi non iterativi portano sempre a una scarsa qualità dell'immagine e a una bassa risoluzione spaziale durante la ricostruzione a causa del rumore di dispersione, degli effetti di downsampling e dell'interferenza dell'immagine coniugata. Utilizzando tecnologie di deep learning, le strutture U-net sono state sperimentate su problemi CGH con successo iniziale, ma gli ologrammi ottenuti da U-net in problemi olografici computazionali hanno lo svantaggio di degradare la qualità delle immagini ricostruite. Le reti neurali convoluzionali tradizionali si basano su filtri convoluzionali e funzioni di attivazione non lineare, il che significa che si presuppone che i dati elaborati siano linearmente separabili. Tuttavia, problemi come la codifica delle immagini, la crittografia olografica e l'analisi della frequenza sono difficili da descrivere mediante funzioni linearmente divisibili e la convoluzione e la deconvoluzione semplici sono sempre limitate a una determinata regione per migliorare l'efficienza operativa. L'incapacità di U-net di utilizzare e riscrivere le informazioni globali significa che l'elaborazione ottica delle immagini è molto debole.

WiMi ha sviluppato un'efficiente tecnologia di olografia generata dal computer (ECGH), un metodo di imaging CGH basato sull'apprendimento profondo, che mira a risolvere i problemi dei lunghi cicli computazionali e della scarsa qualità dei metodi CGH tradizionali. Il metodo utilizza una rete neurale convoluzionale lineare mista (MLCNN) per l'imaging olografico computazionale e migliora l'estrazione di informazioni e lo scambio di informazioni introducendo uno strato completamente connesso nella rete.

La rete utilizza una struttura MLCNN con strati di fork di linea, una struttura "DownSample" per il down-sampling e una struttura "UpSample" per l'up-sampling. La tecnologia utilizza un modello di rete neurale per calcolare il campo ottico del target di input e calcola i valori di fase per simulare i risultati sperimentali ottici. Il campo ottico target viene confrontato con i risultati della simulazione utilizzando una funzione di perdita e il gradiente del valore di perdita viene calcolato e propagato all'indietro per aggiornare i parametri di rete.

Il metodo ECGH di WiMi può ottenere rapidamente le immagini in fase pura necessarie per generare immagini olografiche di alta qualità. Rispetto al tradizionale metodo CGH basato sul deep learning, la tecnologia ECGH di WiMi può ridurre il numero di parametri richiesti per l'addestramento della rete di circa il 60%, migliorando così l'efficienza e l'affidabilità della rete. Inoltre, la struttura di rete della tecnologia ECGH è altamente versatile e può essere utilizzata per risolvere vari problemi di ricostruzione delle immagini, con forti prospettive pratiche e applicative.

Le immagini ECGH di WiMi utilizzano un modello di deep learning non iterativo MLCNN, che può calcolare la generazione di ologrammi più velocemente. Applicando con successo il metodo ECGH, è possibile ottenere immagini di ologrammi computazionali stabili e di alta qualità. Una caratteristica importante della struttura MLCNN è la capacità di calcolare lo scambio di dati tra regioni, che la rende adatta a funzioni ottiche complesse che richiedono la manipolazione di informazioni globali. L'applicazione del modello MLCNN nella tecnologia ECGH di WiMi può gestire efficacemente la complessità delle funzioni ottiche. Il modello può gestire una varietà di funzioni ottiche complesse per generare immagini olografiche di alta qualità. Questa immagine olografica può riprodurre perfettamente la scena 3D, regalando all'osservatore un'esperienza visiva più realistica. Il modello MLCNN ha un migliore adattamento del dominio ottico rispetto alla struttura della rete U-net. Ciò gli conferisce un vantaggio nella generazione e ricostruzione olografica perché può gestire meglio la complessità delle funzioni ottiche e le variazioni nel dominio ottico, e CGH può riprodurre perfettamente la capacità delle scene 3D e prevenire l'affaticamento visivo.