使用衍射解码器做超分辨率图像显示

包括全息显示在内的光学成像系统，都存在一个分辨率和视场不能兼得，即空间带宽积(表明有效像素数)固定的问题。受限于当前的SLM技术，全息显示系统的空间带宽积并不高。因此，目前的全息显示不能满足AR/VR的时空需求。早期研究表明，可穿戴AR/VR的SLM必须有~50K x 50K像素，且理想像素尺寸要比可见光波长短。目前最先进的SLM为3840 x 2160像素，像素尺寸通常比可见光波长大5到20倍。即便新开发的SLM能满足所需空间带宽积要求，其功耗、内存使用、算力要求、外形尺寸、系统复杂度等仍然是巨大挑战。

空间复用、时间复用、在光路中添加多个随机扩散片或周期光栅以提高观察角度等手段被探索用于提高全息显示的空间带宽积，但是都是顾此失彼，达不到实用要求。深度学习擅长求解逆问题，已经被用于学习给定一个目标图案，学习其在SLM上对应的图案，可以取代传统的迭代全息图计算方法，并能够校正光路中存在的物理误差和像差。

图1

(1)全电编码器设计。基于卷积神经网络设计全电编码器，将高分辨率输入图像压缩成可在SLM上显示的低维潜在表示。具体结构见图1a。

(2)全光解码器设计。单个衍射调制层离散成一个二维网格，每个像素长宽分别为wx，wy。一个像素看作一个衍射神经元，它有一个由材料的复折射率和高度h(m,n)确定的复透射系数t(m,n)。不同衍射层之间的光场传播由瑞利-索莫菲衍射积分确定，传播到下一层的光场受下一层衍射层透射系数调制。光场的传播是为前向传播过程，在设计时考虑衍射层的位移误差和加工误差。联合训练后得到每个衍射层的高度轮廓。

(3)训练和验证。训练时使用EMIST的字母训练，验证时使用未参与过训练的字母验证，并额外使用数字、分辨率线条等测试其泛化能力。

图2

附录：

实验装置

图3