微美全息基于深度学习和神经网络开发高效的计算机生成全息技术

数字全息技术是一种基于干涉和衍射的物体波的记录和回放技术。然而，由于光学干扰容易受到环境的影响，记录过程总是受到许多因素的影响。计算机生成全息(CGH)技术是一种通过编码相干光波前的强度或相位来获得自定义光场分布的光场调制技术。对于仅相位计算全息，可以实现显示的图像，而不受孪生图像的干扰。空间光调制器(SLM)技术及超材料膜的发展为该技术的实现提供了物理载体。

据悉，微美全息(NASDAQ:WIMI)通过深度学习和神经网络技术的为计算机生成全息(CGH)提供了新的更高效能的解决方案。深度学习可以在运算中找到最优解或局部最优解，使其具有高效的运算CGH的能力。CGH已经应用于全息光阱、3D显示、平面聚光器和AR显示器等领域。

计算机生成全息(CGH)技术的是通过逆解自定义光场来获得最佳波调制。同时，图像质量受到SLM调制精度的限制，通常很难表示目标光场。在实践中，计算全息图的求解始终是近似值，需要数值方法来确定可行的全息图，以获得最佳编码波前。目前在CGH的计算通常采用迭代算法，通过演进GS算法设计了非迭代方法来节省计算时间。尽管有所提升，但是由于散斑噪声、下采样效应和共轭图像干扰，这些非重复方法在重建过程中总是会导致图像质量差和空间分辨率低。在利用深度学习技术上，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陷。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，这意味着假设处理后的数据是线性可分的。然而，图像编码、全息加密、频率分析等问题很难用线性可分函数来描述，简单的卷积和反卷积总是局限于某个区域，以提高运算效率。U-net无法利用和重写全局信息，这意味着光学图像处理非常薄弱。

公开资料显示，微美全息(NASDAQ:WIMI)开发高效的计算机生成全息(ECGH)技术，是一种基于深度学习的计算机生成全息(CGH)成像方法，旨在解决传统CGH方法存在的计算周期长和质量差的问题。该方法采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能力。

该网络使用线叉层的混合线性卷积神经网络(MLCNN)结构，并使用“DownSample”结构进行下采样和“UpSample”结构进行上采样。使用神经网络模型计算输入目标光场，计算相位值以模拟光学实验结果，使用损失函数将目标光场与仿真结果进行比较，计算损失值的梯度并进行反向传播以更新网络参数。

此外，WIMI微美全息高效的计算机生成全息(ECGH)方法，可以快速获得所需的纯相位图像，从而生成高质量的全息成像。与传统基于深度学习的CGH方法相比，WIMI微美全息的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技术的网络结构具有很强的通用性，可用于解决各种图像重建问题，具有很强的实用性和应用前景。

同时，WIMI微美全息的ECGH图像的非迭代深度学习模型MLCNN，它可以更快地计算全息图生成。通过成功应用ECGH方法，可以获得了高质量、稳定的计算全息图像。混合线性卷积神经网络(MLCNN)结构的一大特点是可以计算数据的跨区域交换，这使得它适用于需要操作全局信息的复杂光学函数。在WIMI微美全息ECGH技术中，MLCNN模型的应用能够有效地处理光学函数的复杂性。该模型可以处理各种复杂的光学函数，从而生成高质量的全息图像。这种全息图像能够完美地再现三维场景，使得观察者能够获得更为真实的视觉体验。与U-net网络结构相比，MLCNN模型具有更好的光域适应性。这使得它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函数的复杂性和光域的变化，计算机生成全息(CGH)可以完美再现三维场景的能力，防止视觉疲劳。

微美全息(NASDAQ:WIMI)在基于深度学习和神经网络的MLCNN模型框架，开发的高效的计算机生成全息(ECGH)技术不仅能够减轻计算负荷，还能够提高全息图像的质量，从而使得计算机生成全息技术更加实用。此外，MLCNN模型具有高度的灵活性，可以适应不同的全息生成任务。它具有出色的计算能力和高质量的全息图像生成能力。随着技术的不断发展，MLCNN模型的高效的计算机生成全息(ECGH)技术会得到更广泛的应用。