數(shù)字全息技術(shù)是一種基于干涉和衍射的物體波的記錄和回放技術(shù)。然而，由于光學(xué)干擾容易受到環(huán)境的影響，記錄過程總是受到許多因素的影響。計(jì)算機(jī)生成全息(CGH)技術(shù)是一種通過編碼相干光波前的強(qiáng)度或相位來獲得自定義光場分布的光場調(diào)制技術(shù)。對于僅相位計(jì)算全息，可以實(shí)現(xiàn)顯示的圖像，而不受孿生圖像的干擾。空間光調(diào)制器(SLM)技術(shù)及超材料膜的發(fā)展為該技術(shù)的實(shí)現(xiàn)提供了物理載體。

據(jù)悉，微美全息(NASDAQ:WIMI)通過深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)的為計(jì)算機(jī)生成全息(CGH)提供了新的更高效能的解決方案。深度學(xué)習(xí)可以在運(yùn)算中找到最優(yōu)解或局部最優(yōu)解，使其具有高效的運(yùn)算CGH的能力。CGH已經(jīng)應(yīng)用于全息光阱、3D顯示、平面聚光器和AR顯示器等領(lǐng)域。

計(jì)算機(jī)生成全息(CGH)技術(shù)的是通過逆解自定義光場來獲得最佳波調(diào)制。同時(shí)，圖像質(zhì)量受到SLM調(diào)制精度的限制，通常很難表示目標(biāo)光場。在實(shí)踐中，計(jì)算全息圖的求解始終是近似值，需要數(shù)值方法來確定可行的全息圖，以獲得最佳編碼波前。目前在CGH的計(jì)算通常采用迭代算法，通過演進(jìn)GS算法設(shè)計(jì)了非迭代方法來節(jié)省計(jì)算時(shí)間。盡管有所提升，但是由于散斑噪聲、下采樣效應(yīng)和共軛圖像干擾，這些非重復(fù)方法在重建過程中總是會(huì)導(dǎo)致圖像質(zhì)量差和空間分辨率低。在利用深度學(xué)習(xí)技術(shù)上，U-net結(jié)構(gòu)已經(jīng)在CGH問題上進(jìn)行了嘗試，并取得了初步成功，但U-net在計(jì)算全息問題中獲得的全息圖存在降低重建圖像質(zhì)量的缺陷。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)依賴于卷積濾波器和非線性激活函數(shù)，這意味著假設(shè)處理后的數(shù)據(jù)是線性可分的。然而，圖像編碼、全息加密、頻率分析等問題很難用線性可分函數(shù)來描述，簡單的卷積和反卷積總是局限于某個(gè)區(qū)域，以提高運(yùn)算效率。U-net無法利用和重寫全局信息，這意味著光學(xué)圖像處理非常薄弱。

公開資料顯示，微美全息(NASDAQ:WIMI)開發(fā)高效的計(jì)算機(jī)生成全息(ECGH)技術(shù)，是一種基于深度學(xué)習(xí)的計(jì)算機(jī)生成全息(CGH)成像方法，旨在解決傳統(tǒng)CGH方法存在的計(jì)算周期長和質(zhì)量差的問題。該方法采用混合線性卷積神經(jīng)網(wǎng)絡(luò)(MLCNN)進(jìn)行計(jì)算全息成像，并通過在網(wǎng)絡(luò)中引入全連接層來增強(qiáng)信息挖掘和信息交換能力。

該網(wǎng)絡(luò)使用線叉層的混合線性卷積神經(jīng)網(wǎng)絡(luò)(MLCNN)結(jié)構(gòu)，并使用“DownSample”結(jié)構(gòu)進(jìn)行下采樣和“UpSample”結(jié)構(gòu)進(jìn)行上采樣。使用神經(jīng)網(wǎng)絡(luò)模型計(jì)算輸入目標(biāo)光場，計(jì)算相位值以模擬光學(xué)實(shí)驗(yàn)結(jié)果，使用損失函數(shù)將目標(biāo)光場與仿真結(jié)果進(jìn)行比較，計(jì)算損失值的梯度并進(jìn)行反向傳播以更新網(wǎng)絡(luò)參數(shù)。

此外，WIMI微美全息高效的計(jì)算機(jī)生成全息(ECGH)方法，可以快速獲得所需的純相位圖像，從而生成高質(zhì)量的全息成像。與傳統(tǒng)基于深度學(xué)習(xí)的CGH方法相比，WIMI微美全息的ECGH技術(shù)可以將網(wǎng)絡(luò)訓(xùn)練所需的參數(shù)數(shù)量減少約60%，從而提高網(wǎng)絡(luò)的效率和可靠性。此外，ECGH技術(shù)的網(wǎng)絡(luò)結(jié)構(gòu)具有很強(qiáng)的通用性，可用于解決各種圖像重建問題，具有很強(qiáng)的實(shí)用性和應(yīng)用前景。

同時(shí)，WIMI微美全息的ECGH圖像的非迭代深度學(xué)習(xí)模型MLCNN，它可以更快地計(jì)算全息圖生成。通過成功應(yīng)用ECGH方法，可以獲得了高質(zhì)量、穩(wěn)定的計(jì)算全息圖像?；旌暇€性卷積神經(jīng)網(wǎng)絡(luò)(MLCNN)結(jié)構(gòu)的一大特點(diǎn)是可以計(jì)算數(shù)據(jù)的跨區(qū)域交換，這使得它適用于需要操作全局信息的復(fù)雜光學(xué)函數(shù)。在WIMI微美全息ECGH技術(shù)中，MLCNN模型的應(yīng)用能夠有效地處理光學(xué)函數(shù)的復(fù)雜性。該模型可以處理各種復(fù)雜的光學(xué)函數(shù)，從而生成高質(zhì)量的全息圖像。這種全息圖像能夠完美地再現(xiàn)三維場景，使得觀察者能夠獲得更為真實(shí)的視覺體驗(yàn)。與U-net網(wǎng)絡(luò)結(jié)構(gòu)相比，MLCNN模型具有更好的光域適應(yīng)性。這使得它在全息生成和重建方面具有優(yōu)勢，因?yàn)樗梢愿玫靥幚砉鈱W(xué)函數(shù)的復(fù)雜性和光域的變化，計(jì)算機(jī)生成全息(CGH)可以完美再現(xiàn)三維場景的能力，防止視覺疲勞。

微美全息(NASDAQ:WIMI)在基于深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的MLCNN模型框架，開發(fā)的高效的計(jì)算機(jī)生成全息(ECGH)技術(shù)不僅能夠減輕計(jì)算負(fù)荷，還能夠提高全息圖像的質(zhì)量，從而使得計(jì)算機(jī)生成全息技術(shù)更加實(shí)用。此外，MLCNN模型具有高度的靈活性，可以適應(yīng)不同的全息生成任務(wù)。它具有出色的計(jì)算能力和高質(zhì)量的全息圖像生成能力。隨著技術(shù)的不斷發(fā)展，MLCNN模型的高效的計(jì)算機(jī)生成全息(ECGH)技術(shù)會(huì)得到更廣泛的應(yīng)用。