北京，2023年7月26日/美通社/——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，为了研究基于生成对抗网络（GAN）的全息图重建技术，提出了生成对抗性网络全息重构（GAN-Holo重构）框架。
GAN是深度学习领域的一种无监督学习算法，可以通过在训练数据中找到特征来生成与输入数据相似的新数据。
WiMi研究的全息图重建技术是一种新兴的通过生成对抗性网络来自动进行全息图重建的技术。GAN可以用于快速生成逼真的3D全息图，从而提高全息图的质量和生成效率。
GAN通常由两个称为生成器和鉴别器的深度神经网络组成。生成器以随机噪声为输入，经过一系列变换和卷积运算后输出生成的全息图，而鉴别器将生成的图像与真实全息图进行比较，并向生成器提供准确的反馈，以指导生成器的改进。在不断优化的过程中，生成器和鉴别器会相互播放和学习，最终生成网络可以学习得到全息图的分布，从而生成更逼真的全息图。
基于GAN的全息图重建方法的最大优点是它可以处理复杂的全息图重构问题，例如具有多个深度和反射的物体。同时，该方法还具有良好的鲁棒性和对噪声的适应性，使得即使输入图像受到噪声干扰，生成的全息图也能保持高质量。此外，这种方法自动化程度高，可以大大提高全息图重建的效率。
这种全息图重建方法的最大优点是可以处理复杂的全息图重建问题，如多个深度和反射物体。同时，这种方法也很好地适应了噪声，即使输入图像受到干扰，生成的全息图也能保持高质量。此外，这种方法自动化程度高，可以大大提高全息图重建的效率。
WiMi研究的GAN全息重建技术过程主要包括以下几个部分：
数据集准备。首先需要准备包含大量全息图的数据集，其中包括原始数据输入全息图和全息标记的图像数据。
网络架构设计。基于GAN的框架结构由生成器和鉴别器两个网络模型组成。生成器网络用于通过将输入的噪声数据映射到全息图空间来生成全息图图像。另一方面，鉴别器网络用于评估生成器网络生成的全息图与真实全息图之间的相似性，从而指导生成器网络的改进。
网络培训和优化。在训练过程中，鉴别器网络和生成器网络将相互播放和学习，以优化生成器网络的质量。具体来说，生成器网络以随机噪声数据为输入，通过一系列特征变换和卷积运算生成相应的全息图。另一方面，鉴别器网络将生成的全息图与真实全息图进行比较，并计算两者之间的差异。通过不断优化，生成器网络最终可以了解全息图像的分布，从而生成更逼真的全息图像。
WIMI研究的GAN全息重建模型的训练过程是可控的，可以通过调整超参数来调整训练过程，以实现生成全息图的具体细节，如体素大小、图像的分辨率等。此外，GAN具有可迭代性的特点，它可以通过不断的修改和调整来优化生成器和鉴别器的训练，以实现更高的全息图生成精度和真实性。GAN的全息图重建全过程自动化程度高，大大提高了全息图重建的效率和质量。
