提供物体三维(3D)视图的全息图提供了常规二维(2D)图像无法达到的细节水平。由于能够提供3D对象的真实沉浸式体验，全息图在医学成像、制造和虚拟现实等各个领域具有巨大的应用潜力。

传统上，全息图是通过记录物体的三维数据以及光与物体的相互作用来构建的。然而，该技术的计算量非常大，因为它需要使用特殊的相机来捕获3D图像。这使得全息图的生成具有挑战性并限制了其广泛使用。

近年来，也提出了许多用于生成全息图的深度学习方法。他们可以直接根据使用RGB-D相机捕获的3D数据创建全息图，这些相机捕获物体的颜色和深度信息。这种方法规避了与传统方法相关的许多计算挑战，并且代表了一种更简单的生成全息图的方法。

现在，由千叶大学工程研究生院TomoyoshiShimobaba教授领导的研究小组提出了一种基于深度学习的新颖方法，通过直接从使用普通相机捕获的常规2D彩色图像生成3D图像，进一步简化全息图的生成。

千叶大学工程研究生院的YoshiyukiIshii和TomoyoshiIto也是这项研究的一部分，该研究发表在《OpticsandLasersinEngineering》上。

Shimobaba教授在解释这项研究背后的基本原理时表示：“实现全息显示存在几个问题，包括3D数据的获取、全息图的计算成本以及全息图像的转换以匹配全息显示设备的特性。我们进行这项研究是因为我们相信深度学习近年来发展迅速，有潜力解决这些问题。”

所提出的方法采用三个深度神经网络(DNN)将常规2D彩色图像转换为可用于将3D场景或对象显示为全息图的数据。

第一个DNN使用普通相机捕获的彩色图像作为输入，然后预测相关的深度图，提供有关图像3D结构的信息。

然后，第二个DNN利用原始RGB图像和第一个DNN创建的深度图来生成全息图。最后，第三个DNN细化了第二个DNN生成的全息图，使其适合在不同设备上显示。

研究人员发现，所提出的方法处理数据和生成全息图所需的时间优于最先进的图形处理单元。

“我们的方法的另一个值得注意的好处是，最终全息图的再现图像可以代表自然的3D再现图像。此外，由于在全息图生成过程中不使用深度信息，因此这种方法成本低廉，并且不需要RGB等3D成像设备-训练后的D相机，”Shimobaba教授补充道。

在不久的将来，这种方法可以在平视显示器和头戴式显示器中找到潜在的应用，以生成高保真3D显示。同样，它可以彻底改变车载全息平视显示器的产生，它可以以3D方式向乘客呈现有关人员、道路和标志的必要信息。

因此，所提出的方法有望为增强无处不在的全息技术的发展铺平道路。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：