基于复值亚像素卷积神经网络的高保真纯相位全息图生成方法研究

研究人员针对传统计算机生成全息图(CGH)在重建质量和计算效率上的不足，创新性地提出了一种结合复值卷积与亚像素卷积的神经网络架构(CSCNN)。该方法通过复值卷积有效捕捉光波相位-振幅信息，利用亚像素卷积消除零填充带来的高频衰减，在保持相位-振幅一致性的同时，实现了33.43 dB平均PSNR和0.93 SSIM的高质量重建，运算速度达71.4帧/秒，为增强现实(AR)/虚拟现实(VR)近眼显示(NEDs)提供了实时高保真解决方案。

　　

在元宇宙概念爆发的时代背景下，全息显示技术因其能完整重建三维物体的相位和振幅信息，被视为下一代增强现实(AR)和虚拟现实(VR)近眼显示(NEDs)的核心技术。然而现有空间光调制器(SLM)大多只能单独调制光波前场的振幅或相位，迫使研究人员将复杂振幅全息图(CAHs)转换为纯相位全息图(POHs)。传统迭代算法虽能获得较高质量重建图像，但耗时严重；非迭代算法速度虽快却饱受散斑噪声困扰。深度学习方法的出现为这一困境带来转机，但现有基于实值神经网络的方案在重建质量上仍存在瓶颈。

中国国家自然科学基金(NSFC)支持下的研究团队在《Optics and Lasers in Engineering》发表创新成果，提出复值亚像素卷积神经网络(CSCNN)架构。该研究突破性地将复值卷积与亚像素卷积技术相结合：前者通过复数权重矩阵保留光波的完整波动特性，后者采用可学习的像素重排替代传统上采样中的零填充操作。关键技术包括：1) 构建双神经网络框架处理复值光场；2) 采用1×1卷积生成多通道特征后进行空间重排；3) 在DIV2K超分辨率数据集上训练30个epoch；4) 使用532nm激光和4.5μm像素间距SLM进行光学验证。

【原理与方法】章节揭示，复值卷积层通过复数形式的权重矩阵W=W_real+iW_imag精确建模光波传播特性，而亚像素卷积通过特征图通道到空间的转换实现无零填充上采样，有效抑制了传统方法中因零填充导致的相位-振幅失配和高频衰减。

【模拟与实验】部分显示，在800张训练图像的DIV2K数据集上，网络在第23个epoch达到稳定。光学实验证实该方法能显著降低散斑噪声，重建图像结构相似度(SSIM)达0.93，峰值信噪比(PSNR)33.43dB，较传统方法提升约15%，同时保持71.4fps的实时性能。

【讨论与结论】强调该研究的三大突破：1) 首次将复值运算与亚像素技术结合应用于全息生成；2) 通过物理模型引导的无监督训练摆脱对标注数据的依赖；3) 计算效率较HoloNet提升40%。这些创新为医疗全息影像、AR/VR等需要实时高保真重建的领域提供了新范式。研究同时指出，未来工作将聚焦于动态三维场景的实时生成优化。

该成果由Jiahui Fu等学者完成，获得中国博士后科学基金(2021M691344)等多项资助。研究团队特别指出，该方法在保持相位-振幅一致性的同时实现高频细节保留的技术路线，为下一代光场显示设备开发提供了重要理论支撑和实践指导。