北京，2023年6月9日/美通社/–WiMi全息雲股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”），全球領先的全息增強現實（“AR”）技術提供商，今天宣布通過深度學習和神經網絡技術為計算機生成全息（CGH）提供一種新的更高效的解決方案。深度學習可以在運算中找到最優或局部最優解，從而提高計算CGH的效率。CGH已被應用于全息光阱、3D顯示器、平面聚光器、AR顯示器等。
CGH技術可以通過對自定義光場進行逆求解來獲得最佳的波調制。SLM調制的精度限制了圖像質量，而SLM調制通常難以表示目标光場。在實踐中，計算全息圖的解總是近似的，需要用數值方法來确定可行的全息圖，以獲得最佳的編碼波前。目前CGH中的計算通常使用疊代算法，而非疊代方法是通過進化GS算法來節省計算時間的。盡管有所改進，但由于散射噪聲、下采樣效應和共轭圖像幹擾，這些非疊代方法在重建過程中總是導緻圖像質量差和空間分辨率低。在使用深度學習技術時，U-net結構已經在CGH問題上進行了嘗試，并取得了初步成功，但U-net在計算全息問題中獲得的全息圖存在降低重建圖像質量的缺點。傳統的卷積神經網絡依賴于卷積濾波器和非線性激活函數，這意味着處理後的數據被假設為線性可分離的。然而，圖像編碼、全息加密和頻率分析等問題很難用線性可分函數來描述，并且簡單的卷積和去卷積總是被限制在某個區域，以提高運算效率。U-net不能利用和重寫全局信息意味着光學圖像處理非常薄弱。
WiMi開發了高效的計算機生成全息術（ECGH）技術，這是一種基于深度學習的CGH成像方法，旨在解決傳統CGH方法計算周期長、質量差的問題。該方法使用混合線性卷積神經網絡（MLCNN）進行計算全息成像，并通過在網絡中引入全連接層來增強信息挖掘和信息交換。
該網絡使用具有線叉層的MLCNN結構、用于下采樣的“DownSample”結構和用于上采樣的“UpSample”結構。該技術使用神經網絡模型來計算輸入目标光場，并計算相位值來模拟光學實驗結果。使用損耗函數将目标光場與模拟結果進行比較，并計算損耗值的梯度并反向傳播以更新網絡參數。
WiMi的ECGH方法可以快速獲得所需的純相位圖像，以生成高質量的全息成像。與傳統的基于深度學習的CGH方法相比，WiMi的ECGH技術可以将網絡訓練所需的參數數量減少約60%，從而提高網絡的效率和可靠性。此外，ECGH技術的網絡結構通用性強，可用于解決各種圖像重建問題，具有較強的實用性和應用前景。
WiMi的ECGH圖像使用非疊代深度學習模型MLCNN，可以更快地計算全息圖生成。通過成功地應用ECGH方法，可以獲得高質量、穩定的計算全息圖像。MLCNN結構的一個主要特征是能夠計算數據的跨區域交換，這使得它适用于需要操縱全局信息的複雜光學函數。在WiMi的ECGH技術中應用MLCNN模型可以有效地處理光學功能的複雜性。該模型可以處理各種複雜的光學功能，以生成高質量的全息圖像。這種全息圖像可以完美再現3D場景，給觀察者更逼真的視覺體驗。MLCNN模型比U-net網絡結構具有更好的光域自适應性。這使其在全息生成和重建方面具有優勢，因為它可以更好地處理光學功能的複雜性和光學域中的變化，并且CGH可以完美地再現3D場景的能力并防止視覺疲勞。
