基于深度学习增强低精度全息图的快速高精度全息图生成方法研究

针对三维点云模型全息图生成中计算速度与精度难以兼顾的问题，研究人员提出结合简化解析方法（APAS）与复值卷积神经网络（CCNN）的创新方案。通过APAS快速生成低精度全息图，再经CCNN恢复高精度细节，实现了2048×2048分辨率下计算速度提升2倍且保持高质量重建。该研究为动态全息显示提供了高效技术路径，在虚拟现实、光学研究等领域具重要应用价值。

　　

全息三维显示技术因其能提供完整深度感知的沉浸式体验，被视为下一代显示技术的核心方向。然而，计算机生成全息图（Computer-Generated Holography, CGH）面临计算速度与精度的双重挑战：传统解析方法（如点光源叠加）计算量巨大，而深度学习方案多局限于二维图像处理，难以适配三维点云模型。现有加速技术如波前记录平面（WRP）或查找表（LUT）需牺牲精度或存储空间，亟需突破性解决方案。

针对这一瓶颈，广东某研究团队在《Optics》发表论文，提出融合精确相位叠加立体图（Accurate Phase-Added Stereograms, APAS）与复值卷积神经网络（Complex-Valued Convolutional Neural Network, CCNN）的混合框架。该方案通过APAS快速生成低精度全息图，再经CCNN恢复高频细节，在2048×2048像素分辨率下实现计算速度翻倍，同时峰值信噪比（PSNR）提升8 dB，结构相似性（SSIM）提高0.5。光学实验采用520 nm波长LCOS空间光调制器（SLM）验证了重建图像质量，为动态全息显示提供了高效可靠的技术路径。

关键技术包括：1）APAS算法对点云模型进行快速低精度全息图生成；2）构建含2400对样本的数据集（含RGBD图像与3D模型衍生数据），按5:1:1划分训练集/验证集/测试集；3）CCNN网络架构直接处理复数值数据，避免实部-虚部分解的信息损失；4）4f光学系统验证重建效果。

研究结果：
计算时间与生成全息图质量
对比传统方法，APAS-CCNN组合方案在同等质量下速度提升2倍。测试集显示CCNN恢复后PSNR达32.5 dB，SSIM超0.92，显著优于原始低精度结果。

光学实验结果
基于LCOS SLM的520 nm激光光学平台验证显示，重建图像边缘清晰度与深度层次感接近数值模拟结果，非目标衍射级次干扰被有效抑制。

结论
该研究首次将APAS的快速计算优势与CCNN的高精度恢复能力结合，突破了三维点云全息图生成的速度-精度权衡难题。其技术框架可扩展至虚拟现实、医学成像等领域，并为复杂光场调控提供了新思路。研究获国家重点研发计划（2023YFB3611500）及广东省科研团队项目（2024KCXTD047）支持。