Notizia

May 24, 2023

Utilizzando il modello

Immagine Compuscript Ltd: processi di generazione e ricostruzione di ologrammi 4K da parte di 4K-DMDNet. vedere di più Credito: OEA Una nuova pubblicazione di Opto-Electronic Advances, 10.29026/oea.2023.220135

Compuscript Ltd

immagine: Processi di generazione e ricostruzione di ologrammi 4K da parte di 4K-DMDNet.vedere di più

Credito: OSA

Una nuova pubblicazione di Opto-Electronic Advances, 10.29026/oea.2023.220135 discute l'uso dell'apprendimento profondo basato su modelli per ottenere display olografici a colori 4K ad alta fedeltà.

Nel 2009, l'Avatar tridimensionale (3D) IMAX ha conquistato il mercato cinematografico globale. Alcuni anni dopo, il concerto di Hatsune Miku 3D attirò l'attenzione di tutti i fan degli anime. E recentemente i dispositivi di copricapo 3D AR/VR hanno portato a uno sviluppo in forte espansione del metaverso. Ogni progresso nelVisualizzazione 3DIl settore porta con sé preoccupazioni sociali essenziali e benefici economici.

Per ottenere esperienze visive più realistiche, la maggior parte delle soluzioni commerciali tradizionali per la visualizzazione 3D si basano sui principi divisione binoculare.

Tuttavia, a differenza dell'osservazione di oggetti 3D reali, la profondità di messa a fuoco visiva rimane invariata mentre lo spettatore indossa il dispositivo per ottenere informazioni 3D. Questo tipo diconflitto di accomodamento della convergenzarende lo spettatore suscettibile all'affaticamento visivo e alle vertigini, limitando l'esperienza dell'utente.

ILOlografia generata dal computer (CGH) può evitare la generazione di conflitti di accomodamento della vergenza fin dall'origine. Le configurazioni sperimentali sono semplici e compatte. Il CGH ha ricevuto un'attenzione significativa da parte del mondo accademico e dell'industria. È considerata la futura forma di visualizzazione 3D.

In linea di principio, CGH codifica l'oggetto 3D in un digitaleologramma bidimensionale (2D).basato sucalcoli diffrattivi. E poi l'ologramma 2D viene caricato su un modulatore di luce spaziale (SLM) illuminato da onde piane. La ricostruzione ottica dell'oggetto 3D si ottiene ad una certa distanza. Il CGH ha potenziali applicazioni in un'ampia gamma di display 3D come display montati sulla testa, display head-up e display di proiezione.

Come generarealta velocità e alta qualitàGli ologrammi 2D rappresentano attualmente una questione chiave e una direzione di ricerca essenziale in questo campo.

Recentemente, Hololab presso l'Università di Tsinghua ha proposto aapprendimento profondo basato su modellirete neurale, chiamata4K-DMDNet . Realizza la generazione di ologrammi ad alta velocità di alta qualità e raggiungecolore 4K ad alta fedeltàdisplay olografici.

A causa delle limitazioni di SLM, le distribuzioni di ampiezza complessa calcolate sul piano olografico devono essere convertite in ologrammi di sola ampiezza o ologrammi di sola fase (POH). Tra questi, il processo di generazione della POH è tipicamente mal postoproblema inverso . La sfida è che la soluzione potrebbe non essere unica, stabile o esistente.

ILiterativo gli algoritmi possono convertire il processo di generazione di POH nel problema di ottimizzazione. Si possono ottenere soluzioni numeriche con buona convergenza. Tuttavia, gli algoritmi devono affrontare ascambiotra velocità di calcolo e qualità della ricostruzione.

Il potenteelaborazione parallelacapacità diapprendimento approfondito hanno apportato miglioramenti rivoluzionari nella risoluzione dei problemi di ottimizzazione. Sono stati anche accertati gli impatti profondi del deep learning su CGH.

Il set di dati di addestramento degli oggetti 3D e il set di dati dell'ologramma corrispondente vengono ottenuti in anticipo per fungere da input e output delrete neurale . La rete neurale è addestrata ad apprendere la relazione di mappatura tra di loro. La rete addestrata può ottenere una previsione rapida degli input della destinazione di visualizzazione al di fuori del set di dati di addestramento. Ci si aspetta che lo facciacontemporaneamenterealizzare la generazione di ologrammi ad alta velocità e di alta qualità.

L’idea di utilizzare reti neurali per la generazione di ologrammi è stata proposta da ricercatori giapponesi già nel 1998. Ma limitata dallaprestazioni hardware e software