Blog

Jun 02, 2023

WiMi Hologram Cloud a développé une technologie CGH efficace basée sur l'apprentissage profond et les réseaux de neurones

PÉKIN, 9 juin 2023 /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ : WIMI) (« WiMi » ou la « Société »), l'un des principaux fournisseurs mondiaux de technologies de réalité augmentée (« AR ») pour hologrammes, a annoncé aujourd'hui un nouveau et

PÉKIN, 9 juin 2023 /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ : WIMI) (« WiMi » ou la « Société »), l'un des principaux fournisseurs mondiaux de technologies de réalité augmentée (« AR ») pour hologrammes, a annoncé aujourd'hui un nouveau et plus efficace pour l'holographie générée par ordinateur (CGH) grâce à l'apprentissage profond et à la technologie des réseaux neuronaux. L'apprentissage profond peut trouver la solution optimale ou locale optimale en fonctionnement, ce qui rend le calcul du CGH efficace. CGH a été appliqué aux pièges lumineux holographiques, aux écrans 3D, aux concentrateurs planaires, aux écrans AR, etc.

La technologie CGH peut obtenir la meilleure modulation d'onde en résolvant de manière inverse le champ lumineux personnalisé. La qualité de l'image est limitée par la précision de la modulation SLM, qui est généralement difficile à représenter le champ lumineux cible. En pratique, la solution des hologrammes informatiques est toujours approximative et des méthodes numériques sont nécessaires pour déterminer les hologrammes réalisables afin d'obtenir le front d'onde le mieux codé. Le calcul actuel dans CGH utilise généralement des algorithmes itératifs, et les méthodes non itératives sont conçues pour gagner du temps de calcul en faisant évoluer l'algorithme GS. Malgré l'amélioration, ces méthodes non itératives conduisent toujours à une mauvaise qualité d'image et à une faible résolution spatiale lors de la reconstruction en raison du bruit de diffusion, des effets de sous-échantillonnage et des interférences d'image conjuguées. En utilisant des technologies d'apprentissage profond, les structures U-net ont été essayées sur des problèmes CGH avec un premier succès, mais les hologrammes obtenus par U-net dans des problèmes holographiques informatiques ont l'inconvénient de dégrader la qualité des images reconstruites. Les réseaux neuronaux convolutifs traditionnels reposent sur des filtres convolutifs et des fonctions d'activation non linéaires, ce qui signifie que les données traitées sont supposées être linéairement séparables. Cependant, des problèmes tels que le codage d'images, le cryptage holographique et l'analyse de fréquence sont difficiles à décrire par des fonctions linéairement divisibles, et les simples convolutions et déconvolutions sont toujours limitées à une certaine région pour améliorer l'efficacité opérationnelle. L'incapacité d'U-net à utiliser et à réécrire les informations globales signifie que le traitement optique des images est très faible.

WiMi a développé une technologie efficace d'holographie générée par ordinateur (ECGH), une méthode d'imagerie CGH basée sur l'apprentissage profond, qui vise à résoudre les problèmes des cycles de calcul longs et de la mauvaise qualité des méthodes CGH traditionnelles. Le procédé utilise un réseau neuronal convolutif linéaire mixte (MLCNN) pour l'imagerie holographique informatique et améliore l'exploration et l'échange d'informations en introduisant une couche entièrement connectée dans le réseau.

Le réseau utilise une structure MLCNN avec des couches de branchement de ligne, une structure « DownSample » pour le sous-échantillonnage et une structure « UpSample » pour le suréchantillonnage. La technologie utilise un modèle de réseau neuronal pour calculer le champ optique cible d'entrée et calcule les valeurs de phase pour simuler les résultats expérimentaux optiques. Le champ optique cible est comparé aux résultats de simulation à l'aide d'une fonction de perte, et le gradient de la valeur de perte est calculé et rétro-propagé pour mettre à jour les paramètres de réseau.

La méthode ECGH de WiMi peut obtenir rapidement les images en phase pure requises pour générer une imagerie holographique de haute qualité. Par rapport à la méthode CGH traditionnelle basée sur l'apprentissage profond, la technologie ECGH de WiMi peut réduire d'environ 60 % le nombre de paramètres requis pour la formation du réseau, améliorant ainsi l'efficacité et la fiabilité du réseau. De plus, la structure de réseau de la technologie ECGH est très polyvalente et peut être utilisée pour résoudre divers problèmes de reconstruction d’images, ce qui présente de fortes perspectives pratiques et d’application.

Les images ECGH de WiMi utilisent un modèle d'apprentissage profond non itératif MLCNN, qui peut calculer la génération d'hologrammes plus rapidement. En appliquant avec succès la méthode ECGH, des images d’hologrammes informatiques stables et de haute qualité peuvent être obtenues. Une caractéristique majeure de la structure MLCNN est la capacité de calculer l’échange de données entre régions, ce qui la rend adaptée aux fonctions optiques complexes nécessitant la manipulation d’informations globales. L'application du modèle MLCNN dans la technologie ECGH de WiMi peut gérer efficacement la complexité des fonctions optiques. Le modèle peut gérer diverses fonctions optiques complexes pour générer des images holographiques de haute qualité. Cette image holographique peut parfaitement reproduire la scène 3D, offrant à l'observateur une expérience visuelle plus réaliste. Le modèle MLCNN présente une meilleure adaptation du domaine optique que la structure du réseau U-net. Cela lui confère un avantage dans la génération et la reconstruction holographiques, car il peut mieux gérer la complexité des fonctions optiques et les variations dans le domaine optique, et CGH peut parfaitement reproduire la capacité des scènes 3D et éviter la fatigue visuelle.