Menu 

Menu
  1. 首页
  2. 行业新闻
  3. 衍射模型驱动的无监督层析计算全息 (Optica OE)

衍射模型驱动的无监督层析计算全息 (Optica OE)

衍射模型驱动的无监督层析计算全息算法

 

Diffraction model-informed neural neTWork for unsupervised layer-based computer-generated holography
本期导读

 

近年来，基于深度学习的计算全息算法在全息图的快速生成与质量优化方面展现出强大的能力。基于监督学习的计算全息技术需要生成大规模的全息图数据集，生成的全息图会受到数据集质量的限制。基于无监督学习的计算全息技术将衍射传播引入到神经网络中，可通过神经网络自行寻找最优的全息图。这种方法在二维全息图的生成取得了很大的突破。然而受限于卷积神经网络的兼容性，该方法在三维全息图的生成应用仍较少。
来自上海大学的研究人员提出了衍射模型驱动的无监督层析计算全息算法(self-holo)，该方法充分利用三维物体在不同空间的表示形式以及采用反向随机衍射传播使网络模型的复杂度与物体的层数无关。根据深度信息的不同, 该方法即可预测二维和三维全息图，有效地拓宽了网络的预测范围。该工作近期以论文形式发表于光学领域老牌期刊《Optics Express》上。
技术路线

 

技术实现上，无监督层析计算全息算法生成全息图，要考虑在神经网络中融合物体的深度信息以及物体的再现距离。如图1所示，在前向衍射传播计算时，我们用复振幅表示三维物体（类似与波前记录法）；在反向衍射传播计算时，我们用层析法表示三维物体，把全息图随机重建到物体的某一层。采用这种传播方式，既融合了深度信息，网络的复杂度也没有增加。

衍射模型驱动的无监督层析计算全息 (Optica OE)

图1. 深度信息融合。Target field 与a{j}位于同一距离，SLM field与Phase-only hologram 位于同一距离。

该算法流程如图2所示，该算法包括两个卷积神经网络，一个卷积神经网络用来编码RGBD图像产生物体的复振幅，另一个卷积神经网络用于编码复振幅生成纯相位全息图。这种两阶段编码，让卷积神经网络在相同的域工作，提高了网络的编码能力。反向衍射传播计算时，全息图随机重建到物体的某一层。在损失计算时，仅对聚焦的部分进行计算。

衍射模型驱动的无监督层析计算全息 (Optica OE)

图2. 算法流程。(a) 复振幅生成器 (b) 相位编码器 (c) 全息图随机重建 (d) 掩膜的生成

我们搭建了时序彩色全息显示系统进行光学验证。如图3所示，我们把self-holo与双相位算法和随机梯度下降算法进行比较。该算法的再现像具有较少的散斑。我们也输出了重建的相位，self-holo可以生成平滑的相位，这种相位有利于提高图像质量。

衍射模型驱动的无监督层析计算全息 (Optica OE)

图3. 二维重建结果。第一行、第二行是不同距离的重建结果，第三行是全息图，第四行是重建的相位。

如图4所示，彩色重建的结果显示不同子图像可以聚焦在不同的平面，证明了该算法的有效性。由于彩色重建系统的限制，在重建的结果中存在一些散斑和色差。

衍射模型驱动的无监督层析计算全息 (Optica OE)

图4. 彩色三维重建结果，粉色框表示当前聚焦位置。

简要小结，该研究工作采用两阶段编码网络生成纯相位计算全息图，在反向衍射传播时随机重建物体的某一层，从而网络模型复杂度与物体的层数无关。根据深度信息的不同，该网络可以预测不同深度的全息图，扩大了网络的预测范围。（该工作代码已Github开源，链接附后）在未来研究工作，我们将进一步提高生成全息图的质量以及扩展该方法用于连续三维物体的全息图生成。

论文信息：

  • X. Shui, H. Zheng, X. Xia, F. Yang, W. Wang, and Y. Yu, “Diffraction model-informed neural network for unsupervised layer-based computer-generated holography,” Opt. Express 35(25), (2022).
技术详见(含开源代码)：

https://github.com/SXHyeah/Self-Holo

*该技术分享所涉及文字及图片源于发表论文和网络公开素材,不做任何商业用途。

免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间联系我们，我们将协调进行处理，最终解释权归旭为光电所有。

超快成像：基于复数神经网络重构实空间复杂结构超快成像：基于复数神经网络重构实空间复杂结构 深度学习赋能下的光学计量：让“老司机”搭上“顺风车”深度学习赋能下的光学计量：让“老司机”搭上“顺风车” Optica：基于超构表面的偏振成像与边缘检测Optica：基于超构表面的偏振成像与边缘检测 ImageHolo-Encoder: 自编码器网络实现全息图快速生成 (OSA OL) “虚拟”的平面，加速生成计算全息图“虚拟”的平面，加速生成计算全息图 Spectrum A/D、数字化仪、瞬态记录仪Spectrum A/D、数字化仪、瞬态记录仪 用于HUD/AR的一维扩瞳曲面全息波导显示( (Optica Optics Express)用于HUD/AR的一维扩瞳曲面全息波导显示( (Optica Optics Express)