블로그

Jun 11, 2023

컴퓨터 생성 홀로그램 디스플레이에 대한 지각 동기 부여 손실 함수

Scientific Reports 12권, 기사 번호: 7709(2022) 이 기사 인용 3096 액세스 2 Altmetric Metrics 세부 정보 재구성된 이미지의 인식 품질을 이해하고 개선하는 것이 핵심입니다.

Scientific Reports 12권, 기사 번호: 7709(2022) 이 기사 인용

3096 액세스

2 알트메트릭

측정항목 세부정보

재구성된 이미지의 인지된 품질을 이해하고 개선하는 것은 충실도가 높은 홀로그램 디스플레이를 위한 컴퓨터 생성 홀로그램 알고리즘을 개발하는 데 핵심입니다. 그러나 현재 알고리즘은 일반적으로 평균 제곱 오차를 사용하여 최적화되는데, 이는 지각 품질과의 낮은 상관관계로 인해 널리 비판을 받고 있습니다. 우리 작업에서는 홀로그램 최적화 프로세스에서 최신 이미지 품질 메트릭(IQM)을 손실 함수로 사용하는 것에 대한 포괄적인 분석을 제시합니다. 실험적으로 재구성된 이미지에 대한 광범위한 객관적 및 주관적 평가는 홀로그램 최적화를 위한 IQM 손실의 상대적 성능을 보여줍니다. 우리의 결과는 적절한 IQM 손실 함수를 사용할 때 인지된 이미지 품질이 상당히 향상된다는 것을 보여주며, 이는 홀로그램 최적화를 위한 지각 동기 부여 손실 함수 개발의 가치를 강조합니다.

홀로그래피는 광통신1, 데이터 저장2, 현미경3부터 2차원 및 3차원 디스플레이4,5에 이르기까지 다양한 응용 분야에 중대한 영향을 미치는 빛을 제어하는 ​​고유한 기능을 제공합니다. 알고리즘과 계산 능력의 발전으로 빛의 회절과 간섭을 시뮬레이션하여 컴퓨터 생성 홀로그램(CGH)을 수치적으로 계산할 수 있게 되었습니다. 획득된 CGH는 공간 광 변조기(SLM)에 표시되며, SLM은 간섭성 조명을 변조하여 원하는 장면을 재현합니다. CGH 알고리즘의 목표는 SLM에 표시할 수 있고 원하는 이미지에 가장 가까운 강도 분포를 생성하는 홀로그램을 계산하는 것입니다.

CGH는 일반적으로 네마틱 액정 SLM에 표시되는데, 이는 뛰어난 광 효율을 높이지만 입사 광선의 위상만 변조하는 것으로 제한됩니다. 이러한 SLM에 의해 부과된 위상 전용 제한을 해결하기 위해 이중 위상4,6 및 오류 확산 방법7,8,9은 복소 진폭 회절 필드를 위상 전용 홀로그램으로 직접 인코딩합니다. OSPR(1단계 위상 검색 알고리즘)10,11로 알려진 또 다른 접근 방식은 짧은 시간 간격 내에 여러 위상 전용 홀로그램을 표시하여 재생 필드의 오류를 통계적으로 평균화합니다. 훈련된 딥 러닝 기반 CGH 알고리즘은 비반복 솔루션으로도 사용됩니다12,13,14. 직접 검색(DS)15 및 시뮬레이션된 어닐링(SA)16과 같은 반복적인 CGH 알고리즘은 홀로그램의 단일 픽셀을 변경하여 최적의 홀로그램을 찾습니다. Gerchberg-Saxton 알고리즘(GS)17 및 하이브리드 입출력(HIO) 방법과 같은 위상 검색 방법도 연구되었습니다.

최근에는 위상 전용 CGH 최적화에 경사하강법이 적용되었습니다. 미리 정의된 목적 함수의 기울기가 계산되어 각 반복에서 홀로그램 위상을 업데이트하는 데 사용됩니다. 이 방법은 실험 설정13,22에서 광학 아티팩트를 제거하기 위한 피드백 최적화 전략으로 카메라와 추가로 결합될 수 있습니다. 선택된 특정 손실 함수는 홀로그램 단계를 최적의 상태로 구동하기 위한 이러한 반복적 최적화 접근 방식에서 필수적입니다. 손실 함수의 표준 선택은 사용이 간편하고 물리적 의미가 명확하기 때문에 평균 제곱 오차(MSE)입니다. MSE는 재구성된 이미지의 픽셀당 오류를 정량화하지만 지각 품질과의 낮은 상관관계로 인해 널리 비판을 받고 있습니다.

유망하지만 상대적으로 덜 활용되는 접근 방식은 위상 전용 CGH 최적화 프로세스에서 이미지 품질 메트릭(IQM)을 사용하는 것입니다. 디지털 홀로그래피에서 IQM의 전통적인 역할은 최적화 프로세스를 동적으로 모니터링하고 획득된 이미지의 지각 품질을 평가하는 것입니다. 최신 IQM 모델은 인간의 시각 시스템에 관한 사전 지식을 기반으로 시각적 품질을 평가하거나 대규모 데이터 세트로 훈련된 학습 모델을 사용합니다. 그들은 이미지 품질 평가를 위해 적절한 지각 공간28,33에서 이미지 특징을 사용하지만 CGH 최적화 프로세스에서는 아직 완전히 활용되지 않았습니다. 여기서는 더 나은 CGH 최적화 알고리즘을 위해 노력하기 위해 이러한 지각 지표의 기울기를 사용하려는 의도로 훈련 손실에 대한 유비쿼터스 MSE의 대안으로 IQM을 사용하는 데 중점을 둡니다. 지각 동기 손실 함수의 사용은 최근 중심와 영역 및 주변 인식의 반점 억제에 중점을 둔 중심 CGH34,35에서 주목을 받았습니다. 다른 비홀로그램 이미지 복원 응용 프로그램도 지각 손실을 조사했지만 다양한 응용 프로그램에서 다른 모든 기능보다 성능이 뛰어난 단일 손실 기능은 없는 것으로 나타났습니다.