Новости

May 30, 2023

WiMi Hologram Cloud разработала эффективную технологию CGH на основе глубокого обучения и нейронных сетей

ПЕКИН, 9 июня 2023 г. /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ: WIMI) («WiMi» или «Компания»), ведущий мировой поставщик технологий голограмм дополненной реальности («AR»), сегодня объявила о новом и

ПЕКИН, 9 июня 2023 г. /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ: WIMI) («WiMi» или «Компания»), ведущий мировой поставщик технологий голограмм дополненной реальности («AR»), сегодня объявила о новом и более эффективное решение для компьютерной голографии (CGH) посредством глубокого обучения и технологии нейронных сетей. Глубокое обучение может найти оптимальное или локально оптимальное решение в работе, что делает вычисление CGH эффективным. CGH применяется в голографических световых ловушках, 3D-дисплеях, плоских концентраторах, дисплеях AR и т. д.

Технология CGH позволяет получить наилучшую волновую модуляцию путем обратного решения пользовательского светового поля. Качество изображения ограничено точностью SLM-модуляции, которая обычно затрудняет представление целевого светового поля. На практике решение вычислительных голограмм всегда является приближенным, и необходимы численные методы для определения возможных голограмм для получения наилучшего закодированного волнового фронта. Текущие вычисления в CGH обычно используют итеративные алгоритмы, а неитеративные методы предназначены для экономии времени вычислений за счет развития алгоритма GS. Несмотря на улучшение, эти неитеративные методы всегда приводят к плохому качеству изображения и низкому пространственному разрешению во время реконструкции из-за шума рассеяния, эффектов понижающей дискретизации и сопряженных помех изображения. При использовании технологий глубокого обучения структуры U-net были опробованы на задачах CGH с первоначальным успехом, но голограммы, полученные с помощью U-net в вычислительных голографических задачах, имеют недостаток, заключающийся в ухудшении качества реконструированных изображений. Традиционные сверточные нейронные сети полагаются на сверточные фильтры и нелинейные функции активации, а это означает, что обрабатываемые данные считаются линейно разделимыми. Однако такие проблемы, как кодирование изображений, голографическое шифрование и частотный анализ, трудно описать с помощью линейно делимых функций, а простая свертка и деконволюция всегда ограничиваются определенной областью для повышения эффективности работы. Неспособность U-net использовать и переписывать глобальную информацию означает, что оптическая обработка изображений очень слаба.

WiMi разработала эффективную технологию компьютерной голографии (ECGH), метод визуализации CGH на основе глубокого обучения, целью которого является решение проблем длинных вычислительных циклов и низкого качества традиционных методов CGH. Этот метод использует смешанную линейную сверточную нейронную сеть (MLCNN) для вычислительной голографической визуализации и расширяет возможности интеллектуального анализа и обмена информацией за счет введения в сеть полносвязного слоя.

Сеть использует структуру MLCNN со слоями разветвления линий, структуру «DownSample» для понижающей дискретизации и структуру «UpSample» для повышающей дискретизации. Технология использует модель нейронной сети для расчета входного целевого оптического поля и вычисляет значения фазы для моделирования результатов оптических экспериментов. Целевое оптическое поле сравнивается с результатами моделирования с использованием функции потерь, а градиент значения потерь рассчитывается и передается обратно для обновления параметров сети.

Метод ECGH WiMi позволяет быстро получить необходимые чистофазовые изображения для создания высококачественных голографических изображений. По сравнению с традиционным методом CGH, основанным на глубоком обучении, технология WiMi ECGH может сократить количество параметров, необходимых для обучения сети, примерно на 60%, тем самым повышая эффективность и надежность сети. Кроме того, сетевая структура технологии ECGH очень универсальна и может использоваться для решения различных задач реконструкции изображений, что имеет большую практичность и перспективы применения.

В изображениях ECGH WiMi используется неитеративная модель глубокого обучения MLCNN, которая позволяет быстрее вычислять генерацию голограмм. Успешно применяя метод ECGH, можно получить качественные и стабильные изображения вычислительных голограмм. Основной особенностью структуры MLCNN является способность вычислять межрегиональный обмен данными, что делает ее подходящей для сложных оптических функций, требующих манипулирования глобальной информацией. Применение модели MLCNN в технологии WiMi ECGH позволяет эффективно справляться со сложностью оптических функций. Модель может выполнять множество сложных оптических функций для создания голографических изображений высокого качества. Это голографическое изображение может идеально воспроизводить трехмерную сцену, предоставляя наблюдателю более реалистичное визуальное восприятие. Модель MLCNN лучше адаптируется к оптической области, чем сетевая структура U-net. Это дает ему преимущество при создании и реконструкции голографических изображений, поскольку он лучше справляется со сложностью оптических функций и вариациями оптической области, а CGH может идеально воспроизводить возможности трехмерных сцен и предотвращать зрительное утомление.