三维图像显示技术在人们的日常生活中扮演着越来越重要的角色。全息显示技术可以重建三维空间下的整个光波场,并且可以提供人眼可以感知到的三维场景所有的深度信息。其中,计算机生成全息图相比传统的光学全息图,可以记录一些现实中不存在虚拟物体而且制作更加便捷。计算机生成全息是一种将三维物体场景转换为二维复值全息图的技术,包含了大量的原始物体的振幅和相位信息,研究探索一种快速压缩和传输计算全息图的方法是十分有意义的,同时也是实现电子全息三维图像实时显示的重要环节,为了解决大信息量的快速传输问题,本课题组提出了基于量子补偿混合神经网络的针对计算机生成全息图的压缩与传输的系统方案。该系统包括全息图的计算生成与再现、量子补偿的神经网络的压缩与解压缩、压缩数据流的编码与解码。通过设计量子补偿的混合神经网络结构,实现在尽可能增大全息图压缩倍率的情况下,减少全息图再现恢复的原始物体信息的失真,从而整体上提高全息图恢复的质量,以实现全息三维信息的快速传输。实验结果表明,在菲涅尔离轴计算机全息图数据集上,基于量子补偿混合神经网络的全息图压缩传输系统方案相比传统的神经网络传输方案比较,在绝大多数压缩比下的全息图重建图像质量更高,且随着压缩比增大,量子补偿的恢复效果相比传统模型更加明显。同时,我们发现量子补偿能够辅助经典神经网络在更少的训练轮次下完成收敛。因此,该方法有较大的研究意义和应用潜力。
下图展示了计算机全息图压缩传输系统架构和实验:
图1 基于量子补偿神经网络的计算机全息图压缩传输系统架构
图2 基于量子补偿神经网络的模型训练网络结构
图3 测试集中baboon图像在两种模型下全息图与再现像重建效果对比