北京，2023年6月9日/美通社/–WiMi全息云股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”），全球领先的全息增强现实（“AR”）技术提供商，今天宣布通过深度学习和神经网络技术为计算机生成全息（CGH）提供一种新的更高效的解决方案。深度学习可以在运算中找到最优或局部最优解，从而提高计算CGH的效率。CGH已被应用于全息光阱、3D显示器、平面聚光器、AR显示器等。
CGH技术可以通过对自定义光场进行逆求解来获得最佳的波调制。SLM调制的精度限制了图像质量，而SLM调制通常难以表示目标光场。在实践中，计算全息图的解总是近似的，需要用数值方法来确定可行的全息图，以获得最佳的编码波前。目前CGH中的计算通常使用迭代算法，而非迭代方法是通过进化GS算法来节省计算时间的。尽管有所改进，但由于散射噪声、下采样效应和共轭图像干扰，这些非迭代方法在重建过程中总是导致图像质量差和空间分辨率低。在使用深度学习技术时，U-net结构已经在CGH问题上进行了尝试，并取得了初步成功，但U-net在计算全息问题中获得的全息图存在降低重建图像质量的缺点。传统的卷积神经网络依赖于卷积滤波器和非线性激活函数，这意味着处理后的数据被假设为线性可分离的。然而，图像编码、全息加密和频率分析等问题很难用线性可分函数来描述，并且简单的卷积和去卷积总是被限制在某个区域，以提高运算效率。U-net不能利用和重写全局信息意味着光学图像处理非常薄弱。
WiMi开发了高效的计算机生成全息术（ECGH）技术，这是一种基于深度学习的CGH成像方法，旨在解决传统CGH方法计算周期长、质量差的问题。该方法使用混合线性卷积神经网络（MLCNN）进行计算全息成像，并通过在网络中引入全连接层来增强信息挖掘和信息交换。
该网络使用具有线叉层的MLCNN结构、用于下采样的“DownSample”结构和用于上采样的“UpSample”结构。该技术使用神经网络模型来计算输入目标光场，并计算相位值来模拟光学实验结果。使用损耗函数将目标光场与模拟结果进行比较，并计算损耗值的梯度并反向传播以更新网络参数。
WiMi的ECGH方法可以快速获得所需的纯相位图像，以生成高质量的全息成像。与传统的基于深度学习的CGH方法相比，WiMi的ECGH技术可以将网络训练所需的参数数量减少约60%，从而提高网络的效率和可靠性。此外，ECGH技术的网络结构通用性强，可用于解决各种图像重建问题，具有较强的实用性和应用前景。
WiMi的ECGH图像使用非迭代深度学习模型MLCNN，可以更快地计算全息图生成。通过成功地应用ECGH方法，可以获得高质量、稳定的计算全息图像。MLCNN结构的一个主要特征是能够计算数据的跨区域交换，这使得它适用于需要操纵全局信息的复杂光学函数。在WiMi的ECGH技术中应用MLCNN模型可以有效地处理光学功能的复杂性。该模型可以处理各种复杂的光学功能，以生成高质量的全息图像。这种全息图像可以完美再现3D场景，给观察者更逼真的视觉体验。MLCNN模型比U-net网络结构具有更好的光域自适应性。这使其在全息生成和重建方面具有优势，因为它可以更好地处理光学功能的复杂性和光学域中的变化，并且CGH可以完美地再现3D场景的能力并防止视觉疲劳。
