blog

Jun 02, 2023

WiMi Hologram Cloud desenvolveu uma tecnologia CGH eficiente baseada em aprendizado profundo e redes neurais

PEQUIM, 9 de junho de 2023 /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​ou a "Empresa"), fornecedora líder global de tecnologia de Realidade Aumentada de Holograma ("AR"), anunciou hoje um novo e

PEQUIM, 9 de junho de 2023 /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​ou a "Empresa"), fornecedora líder global de tecnologia de Realidade Aumentada de Holograma ("AR"), anunciou hoje um novo e mais eficiente para holografia gerada por computador (CGH) por meio de aprendizado profundo e tecnologia de rede neural. O aprendizado profundo pode encontrar a solução ideal ou local ideal em operação, tornando eficiente o cálculo do CGH. CGH foi aplicado a armadilhas de luz holográficas, displays 3D, concentradores planares, displays AR, etc.

A tecnologia CGH pode obter a melhor modulação de onda resolvendo inversamente o campo de luz personalizado. A qualidade da imagem é limitada pela precisão da modulação SLM, que geralmente é um desafio para representar o campo de luz alvo. Na prática, a solução de hologramas computacionais é sempre aproximada e métodos numéricos são necessários para determinar hologramas viáveis ​​para obter a frente de onda melhor codificada. A computação atual em CGH geralmente usa algoritmos iterativos, e métodos não iterativos são projetados para economizar tempo de computação através da evolução do algoritmo GS. Apesar da melhoria, esses métodos não iterativos sempre levam a baixa qualidade de imagem e baixa resolução espacial durante a reconstrução devido ao ruído de dispersão, efeitos de redução da resolução e interferência de imagem conjugada. Ao utilizar tecnologias de aprendizagem profunda, as estruturas U-net foram testadas em problemas CGH com sucesso inicial, mas os hologramas obtidos pela U-net em problemas holográficos computacionais têm a desvantagem de degradar a qualidade das imagens reconstruídas. As redes neurais convolucionais tradicionais dependem de filtros convolucionais e funções de ativação não lineares, o que significa que os dados processados ​​são considerados linearmente separáveis. No entanto, problemas como codificação de imagem, criptografia holográfica e análise de frequência são difíceis de descrever por funções linearmente divisíveis, e a convolução e desconvolução simples são sempre restritas a uma determinada região para melhorar a eficiência operacional. A incapacidade da U-net de utilizar e reescrever informações globais significa que o processamento óptico de imagens é muito fraco.

WiMi desenvolveu uma tecnologia eficiente de holografia gerada por computador (ECGH), um método de imagem CGH baseado em aprendizagem profunda, que visa resolver os problemas de longos ciclos computacionais e má qualidade dos métodos CGH tradicionais. O método usa uma rede neural convolucional linear mista (MLCNN) para imagens holográficas computacionais e aprimora a mineração e a troca de informações, introduzindo uma camada totalmente conectada na rede.

A rede usa uma estrutura MLCNN com camadas de bifurcação de linha, uma estrutura "DownSample" para amostragem descendente e uma estrutura "UpSample" para amostragem ascendente. A tecnologia usa um modelo de rede neural para calcular o campo óptico alvo de entrada e calcula os valores de fase para simular os resultados experimentais ópticos. O campo óptico alvo é comparado com os resultados da simulação usando uma função de perda, e o gradiente do valor da perda é calculado e retropropagado para atualizar os parâmetros da rede.

O método ECGH do WiMi pode obter rapidamente as imagens de fase pura necessárias para gerar imagens holográficas de alta qualidade. Em comparação com o método CGH tradicional baseado em aprendizagem profunda, a tecnologia ECGH do WiMi pode reduzir o número de parâmetros necessários para o treinamento da rede em cerca de 60%, melhorando assim a eficiência e a confiabilidade da rede. Além disso, a estrutura de rede da tecnologia ECGH é altamente versátil e pode ser utilizada para solucionar diversos problemas de reconstrução de imagens, o que apresenta grande praticidade e perspectivas de aplicação.

As imagens ECGH do WiMi usam um modelo de aprendizagem profunda não iterativo MLCNN, que pode calcular a geração de holograma mais rapidamente. Ao aplicar com sucesso o método ECGH, imagens de holograma computacional estáveis ​​e de alta qualidade podem ser obtidas. Uma característica importante da estrutura MLCNN é a capacidade de calcular a troca de dados entre regiões, o que a torna adequada para funções ópticas complexas que requerem a manipulação de informações globais. A aplicação do modelo MLCNN na tecnologia ECGH do WiMi pode lidar com eficácia com a complexidade das funções ópticas. O modelo pode lidar com uma variedade de funções ópticas complexas para gerar imagens holográficas de alta qualidade. Esta imagem holográfica pode reproduzir perfeitamente a cena 3D, proporcionando ao observador uma experiência visual mais realista. O modelo MLCNN possui melhor adaptação ao domínio óptico do que a estrutura de rede U-net. Isto lhe dá uma vantagem na geração e reconstrução holográfica porque pode lidar melhor com a complexidade das funções ópticas e variações no domínio óptico, e o CGH pode reproduzir perfeitamente a capacidade das cenas 3D e prevenir a fadiga visual.