blog

Jun 11, 2023

Funções de perda motivadas perceptivamente para exibições holográficas geradas por computador

Relatórios Científicos volume 12, número do artigo: 7709 (2022) Citar este artigo 3096 Acessos 2 detalhes de métricas altmétricas Compreender e melhorar a qualidade percebida das imagens reconstruídas é fundamental

Scientific Reports volume 12, Artigo número: 7709 (2022) Citar este artigo

3096 Acessos

2 Altmétrico

Detalhes das métricas

Compreender e melhorar a qualidade percebida das imagens reconstruídas é fundamental para o desenvolvimento de algoritmos holográficos gerados por computador para exibições holográficas de alta fidelidade. No entanto, os algoritmos atuais são normalmente otimizados usando o erro quadrático médio, que é amplamente criticado por sua fraca correlação com a qualidade perceptiva. Em nosso trabalho, apresentamos uma análise abrangente do emprego de métricas contemporâneas de qualidade de imagem (IQM) como funções de perda no processo de otimização de holograma. Avaliação objetiva e subjetiva extensiva de imagens reconstruídas experimentalmente revela o desempenho relativo das perdas de IQM para otimização de holograma. Nossos resultados revelam que a qualidade da imagem percebida melhora consideravelmente quando a função de perda IQM apropriada é usada, destacando o valor do desenvolvimento de funções de perda motivadas pela percepção para otimização do holograma.

A holografia oferece uma capacidade única de controlar a luz, que impacta profundamente diversas aplicações, desde telecomunicações ópticas1, armazenamento de dados2, microscopia3 até exibições bidimensionais e tridimensionais4,5. Avanços em algoritmos e capacidade computacional permitiram que hologramas gerados por computador (CGHs) fossem calculados numericamente simulando difração e interferência de luz. O CGH obtido é exibido em um modulador de luz espacial (SLM), que modula a iluminação coerente para reproduzir as cenas desejadas. O objetivo dos algoritmos CGH é calcular um holograma que possa ser exibido em um SLM e que produza uma distribuição de intensidade que melhor se aproxime da imagem desejada.

Os CGHs são comumente exibidos em SLMs de cristal líquido nemáticos, que aumentam a eficiência luminosa superior, mas estão restritos a modular apenas a fase do feixe incidente. Para resolver a restrição somente de fase imposta por esses SLMs, os métodos de fase dupla 4,6 e difusão de erro 7,8,9 codificam diretamente campos de difração de amplitude complexa em hologramas somente de fase. Outra abordagem, conhecida como algoritmo de recuperação de fase de uma etapa (OSPR)10,11, exibe múltiplos hologramas somente de fase dentro de um curto intervalo de tempo para calcular estatisticamente a média dos erros no campo de repetição. Algoritmos CGH treinados baseados em aprendizagem profunda também são empregados como soluções não iterativas12,13,14. Algoritmos CGH iterativos, como pesquisa direta (DS)15 e recozimento simulado (SA)16, alteram pixels únicos no holograma para encontrar o holograma ideal. Métodos de recuperação de fase como o algoritmo Gerchberg-Saxton (GS)17 e o método híbrido de entrada-saída (HIO)18,19 também foram explorados.

Recentemente, o método de gradiente descendente foi aplicado à otimização de CGH somente de fase . O gradiente de uma função objetivo predefinida é calculado e usado para atualizar a fase do holograma em cada iteração. Este método pode ser ainda combinado com uma câmera como uma estratégia de otimização de feedback para eliminar artefatos ópticos em configurações experimentais . A função de perda específica selecionada é essencial nessas abordagens de otimização iterativa para conduzir a fase do holograma ao seu estado ideal. Uma escolha padrão da função de perda é o erro quadrático médio (MSE) devido à sua simplicidade de uso e significado físico claro. Embora o MSE quantifique o erro por pixel na imagem reconstruída, ele é amplamente criticado por sua fraca correlação com a qualidade perceptual25,26,27,28.

Uma abordagem promissora, mas relativamente menos explorada, é usar métricas de qualidade de imagem (IQMs) no processo de otimização CGH somente de fase. O papel tradicional dos IQMs na holografia digital é monitorar dinamicamente o processo de otimização e avaliar a qualidade perceptual das imagens obtidas . O modelo moderno de IQM avalia a qualidade visual com base no conhecimento a priori sobre o sistema visual humano ou usa modelos aprendidos treinados com grandes conjuntos de dados. Eles utilizam recursos de imagem em espaços perceptivos apropriados para avaliação da qualidade da imagem, mas ainda não foram totalmente explorados no processo de otimização do CGH. Aqui, focamos no uso de IQMs como uma alternativa ao onipresente MSE para a perda de treinamento, com a intenção de usar o gradiente dessas métricas perceptivas para buscar um melhor algoritmo de otimização de CGH. O uso de funções de perda motivadas perceptivas ganhou recentemente atenção no CGH foveado34,35, focando especificamente na supressão de speckle na região foveal e na percepção periférica. Outras aplicações de restauração de imagens não holográficas também exploraram perdas perceptivas, embora se observe que não existe uma função de perda única que supere todas as outras em diferentes aplicações .