北京，2023年10月11日/PRNewswire/-全球领先的全息增强现实（“AR”）技术提供商WiMi全息云股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，它开发了全息重建网络（HRNet），这在全息重建领域带来了重要的技术突破。全息照相术一直在科学研究、医学成像、工业检测等领域发挥着重要作用。然而，传统的全息图重建方法面临着许多挑战，如需要先验知识、手动操作和复杂的后处理步骤。为了解决这些问题，WiMi的创新技术HRNet基于深度学习和全息图像处理，具有端到端全息重建能力，无需先验知识和复杂的后处理步骤。该技术突破了传统全息重建方法的局限，实现了无噪声的图像重建和相位成像，为图像处理、计算机视觉等相关领域带来了巨大潜力。
全息照相是一种记录物体完整波前信息的技术，包括振幅和相位。传统的全息重建方法通常需要先验知识，例如物体距离、入射角和波长，并且需要额外的滤波操作来去除不想要的图像信息。此外，多截面物体的相位成像和处理对传统方法提出了更高的要求。然而，WiMi的HRNet通过采用深度学习的端到端学习策略克服了这些挑战，为全息重建带来了创新的解决方案。
WiMi的HRNet采用了深度学习方法来解决传统方法所面临的一些挑战。该技术的一些关键方面描述如下：
端到端学习：HRNet使用端到端的学习策略直接从原始全息图中学习和重建。这意味着原始全息图在没有任何先验知识或附加预处理步骤的情况下用作网络的输入。
深度残差网络：网络架构采用深度残差学习。这意味着在网络层之间添加身份映射，以简化训练过程并加快计算速度。这种方法有助于解决深度神经网络中梯度消失/爆炸的问题。
无噪声重建：HRNet能够输出无噪声重建结果，这意味着它可以消除传统方法中由噪声和失真引起的问题。这种无噪声重建有助于提高重建图像的质量和准确性。
相位成像处理：HRNet不仅可以处理振幅对象的重建，还可以处理相位成像。传统的相位成像需要补偿相位像差和额外的展开步骤来恢复真实的物体厚度。HRNet能够通过学习相位成像的处理步骤，直接从全息图中重建相位信息。
多截面对象处理：HRNet还可以处理多截面对象的重建，扩展应用程序的自由度。这意味着它能够生成全焦图像和深度图，满足许多应用程序对多维数据的需求。
WiMi的HRNet利用深度学习和端到端学习方法，通过学习全息重建的内部表示来实现无噪声图像重建，该内部表示处理相位成像和多截面对象的需求。这种数据驱动的方法消除了对先验知识和额外处理步骤的依赖，为数字全息重建提供了一个新的有效框架。
WiMi的HRNet的核心是利用深度学习的力量重建全息图，而不需要任何先验知识或繁琐的预处理步骤。这意味着原始全息图充当网络的输入，网络自动学习全息重建中必要的处理步骤，并在原始全息图和反向传播之间建立像素级连接。这种数据驱动的方法消除了对先验知识和额外处理步骤的依赖，使重建过程更加高效和准确。
