Jun 11, 2023
Fonctions de perte motivées par la perception pour les écrans holographiques générés par ordinateur
Scientific Reports volume 12, Numéro d'article : 7709 (2022) Citer cet article 3096 Accès à 2 détails d'Altmetric Metrics Comprendre et améliorer la qualité perçue des images reconstruites est essentiel
Rapports scientifiques volume 12, Numéro d'article : 7709 (2022) Citer cet article
3096 Accès
2 Altmétrique
Détails des métriques
Comprendre et améliorer la qualité perçue des images reconstruites est essentiel au développement d’algorithmes d’holographie générés par ordinateur pour les affichages holographiques haute fidélité. Cependant, les algorithmes actuels sont généralement optimisés à l’aide de l’erreur quadratique moyenne, largement critiquée pour sa faible corrélation avec la qualité de perception. Dans notre travail, nous présentons une analyse complète de l’utilisation de mesures contemporaines de qualité d’image (IQM) comme fonctions de perte dans le processus d’optimisation des hologrammes. Une évaluation objective et subjective approfondie des images reconstruites expérimentalement révèle la performance relative des pertes IQM pour l'optimisation des hologrammes. Nos résultats révèlent que la qualité de l'image perçue s'améliore considérablement lorsque la fonction de perte IQM appropriée est utilisée, soulignant l'intérêt de développer des fonctions de perte motivées par la perception pour l'optimisation des hologrammes.
L'holographie offre une capacité unique à contrôler la lumière, qui a un impact profond sur diverses applications allant des télécommunications optiques1 au stockage de données2, en passant par la microscopie3 jusqu'aux affichages bidimensionnels et tridimensionnels4,5. Les progrès des algorithmes et de la capacité de calcul ont permis de calculer numériquement les hologrammes générés par ordinateur (CGH) en simulant la diffraction et les interférences de la lumière. Le CGH obtenu est affiché sur un modulateur spatial de lumière (SLM), qui module l’éclairage cohérent pour reproduire les scènes souhaitées. L'objectif des algorithmes CGH est de calculer un hologramme pouvant être affiché sur un SLM et produisant une distribution d'intensité qui se rapproche le mieux de l'image souhaitée.
Les CGH sont généralement affichés sur les SLM à cristaux liquides nématiques, qui améliorent une efficacité lumineuse supérieure mais sont limités à moduler uniquement la phase du faisceau incident. Pour résoudre la restriction de phase uniquement imposée par ces SLM, les méthodes de double phase 4,6 et de diffusion d'erreurs7,8,9 codent directement les champs de diffraction d'amplitude complexe en hologrammes de phase uniquement. Une autre approche, connue sous le nom d’algorithme de récupération de phase en une étape (OSPR)10,11, affiche plusieurs hologrammes de phase uniquement dans un court intervalle de temps afin de faire la moyenne statistique des erreurs dans le champ de relecture. Des algorithmes CGH formés basés sur l’apprentissage profond sont également utilisés comme solutions non itératives12,13,14. Les algorithmes itératifs CGH tels que la recherche directe (DS)15 et le recuit simulé (SA)16 modifient des pixels individuels dans l'hologramme pour trouver l'hologramme optimal. Des méthodes de récupération de phase telles que l'algorithme de Gerchberg-Saxton (GS)17 et la méthode hybride entrée-sortie (HIO)18,19 ont également été explorées.
Récemment, la méthode de descente de gradient a été appliquée à l'optimisation CGH en phase uniquement. Le gradient d'une fonction objectif prédéfinie est calculé et utilisé pour mettre à jour la phase de l'hologramme à chaque itération. Cette méthode peut en outre être combinée avec une caméra comme stratégie d’optimisation du feedback pour éliminer les artefacts optiques dans les configurations expérimentales13,22. La fonction de perte spécifique sélectionnée est essentielle dans ces approches d'optimisation itératives pour conduire la phase de l'hologramme vers son état optimal. Un choix standard de la fonction de perte est l'erreur quadratique moyenne (MSE) en raison de sa simplicité d'utilisation et de sa signification physique claire. Bien que MSE quantifie l'erreur par pixel dans l'image reconstruite, il est largement critiqué pour sa faible corrélation avec la qualité perceptuelle25,26,27,28.
Une approche prometteuse mais relativement moins exploitée consiste à utiliser des mesures de qualité d'image (IQM) dans le processus d'optimisation CGH en phase uniquement. Le rôle traditionnel des IQM dans l'holographie numérique est de surveiller dynamiquement le processus d'optimisation et d'évaluer la qualité perceptuelle des images obtenues29,30,31,32. Le modèle IQM moderne évalue la qualité visuelle sur la base de connaissances a priori concernant le système visuel humain ou utilise des modèles appris formés avec de grands ensembles de données. Ils utilisent des caractéristiques d'image dans des espaces de perception appropriés28,33 pour l'évaluation de la qualité de l'image, mais n'ont pas encore été pleinement exploités dans le processus d'optimisation CGH. Ici, nous nous concentrons sur l'utilisation des IQM comme alternative au MSE omniprésent pour la perte d'entraînement, avec l'intention d'utiliser le gradient de ces métriques perceptuelles pour rechercher un meilleur algorithme d'optimisation CGH. L'utilisation de fonctions de perte motivées par la perception a récemment attiré l'attention dans le CGH fovéal34,35, en se concentrant spécifiquement sur la suppression des taches dans la région fovéale et la perception périphérique. D'autres applications de restauration d'images non holographiques ont également exploré les pertes de perception, bien qu'il ait été observé qu'il n'existe pas de fonction de perte unique qui surpasse toutes les autres dans différentes applications36,37,38.