May 24, 2023
모델 사용
Compuscript Ltd 이미지: 4K-DMDNet을 통한 4K 홀로그램 생성 및 재구성 프로세스. 자세히 보기 출처: OEA Opto-Electronic Advances의 새로운 간행물, 10.29026/oea.2023.220135
컴팩트립(Compuscript Ltd)
이미지: 4K-DMDNet에 의한 4K 홀로그램 생성 및 재구성 프로세스.더보기
크레딧: OAS
Opto-Electronic Advances의 새로운 간행물인 10.29026/oea.2023.220135에서는 모델 기반 딥 러닝을 사용하여 충실도가 높은 4K 컬러 홀로그램 디스플레이를 달성하는 방법을 논의합니다.
2009년에는 IMAX 3차원(3D) 아바타가 전 세계 영화 시장을 휩쓸었습니다. 몇 년 후, 하츠네 미쿠 3D 콘서트는 모든 애니메이션 팬들의 관심을 끌었습니다. 그리고 최근 AR/VR 3D 헤드웨어 디바이스는 메타버스의 폭발적인 발전을 이끌고 있습니다. 각 진행 상황은3D 디스플레이분야는 필수적인 사회적 관심과 경제적 이익을 가져옵니다.
보다 사실적인 시각적 경험을 얻기 위해 대부분의 3D 디스플레이용 주류 상용 솔루션은 다음 원칙을 기반으로 합니다.쌍안경 시력.
그러나 실제 3D 물체를 관찰하는 것과는 달리, 3D 정보를 얻기 위해 시청자가 장치를 착용하는 동안 시각적 초점의 깊이는 변하지 않습니다. 이 유형의융합 숙박 갈등시청자가 시각적 피로와 현기증을 느끼기 쉽고 사용자 경험이 제한됩니다.
그만큼컴퓨터 생성 홀로그래피 (CGH)는 근원지로부터의 융합 조절 갈등의 발생을 피할 수 있습니다. 실험 설정은 간단하고 컴팩트합니다. CGH는 학계와 업계로부터 상당한 관심을 받아왔습니다. 3D 디스플레이의 미래 형태로 평가받고 있다.
원칙적으로 CGH는 3D 개체를 디지털 개체로 코딩합니다.2차원(2D) 홀로그램기반으로회절 계산. 그런 다음 2D 홀로그램은 평면파로 조명되는 공간 광 변조기(SLM)에 업로드됩니다. 3D 물체의 광학적 재구성은 특정 거리에서 얻어집니다. CGH는 머리 장착형 디스플레이, 헤드업 디스플레이, 프로젝션 디스플레이 등 광범위한 3D 디스플레이에 잠재적으로 응용될 수 있습니다.
생성 방법고속 및 고품질2D 홀로그램은 현재 이 분야의 핵심 이슈이자 필수적인 연구 방향이다.
최근 칭화대학교 Hololab에서는 다음과 같은 제안을 했습니다.모델 기반 딥 러닝신경망이라고 불리는4K-DMDNet . 고품질의 고속 홀로그램 생성을 실현하고고화질 4K 컬러홀로그램 디스플레이.
SLM의 한계로 인해 홀로그램 평면에서 계산된 복소 진폭 분포를 진폭 전용 홀로그램 또는 위상 전용 홀로그램(POH)으로 변환해야 합니다. 그 중 POH 생성 프로세스는 일반적으로 잘못된 자세를 취하고 있습니다.역 문제 . 솔루션이 고유하지 않거나 안정적이지 않거나 존재하지 않을 수 있다는 문제가 있습니다.
그만큼반복적 인 알고리즘은 POH 생성 프로세스를 최적화 문제로 변환할 수 있습니다. 수렴성이 좋은 수치해를 얻을 수 있다. 그러나 알고리즘은 다음과 같은 문제에 직면합니다.거래계산 속도와 재구성 품질 사이.
강력한병렬 처리능력딥러닝 최적화 문제 해결에 획기적인 개선을 가져왔습니다. CGH에 대한 딥 러닝의 심오한 영향도 이루어졌습니다.
3D 객체의 학습 데이터 세트와 해당 홀로그램 데이터 세트를 미리 획득하여 의 입력 및 출력 역할을 합니다.신경망 . 신경망은 그들 사이의 매핑 관계를 학습하도록 훈련되었습니다. 훈련된 네트워크는 훈련 데이터세트 외부의 디스플레이 타겟 입력을 빠르게 예측할 수 있습니다. 다음과 같이 예상됩니다.동시에고속, 고품질 홀로그램 생성을 실현합니다.
홀로그램 생성을 위해 신경망을 사용한다는 아이디어는 1998년 초 일본 연구자에 의해 제안되었습니다.하드웨어 및 소프트웨어 성능