最早的计算机生成全息图(Computer-Generated Holograms, CGHs)研究可追溯至20世纪60年代[[1], [2], [3], [4]]。1967年,Lohmann和Paris利用快速傅里叶变换(Fast Fourier Transform, FFT)生成了一个二进制全息图,并在图像重建效果上与传统全息图相当[3]。自此以后,计算机生成全息技术(CGH)因其广泛应用而成为研究热点,包括加密[5,6]、光学像差校正[7,8]、光遗传学[9,10]以及全息显示[11,12]等领域。
在过去的十年中,由于全相位调制在CGH动态重建中的高效性[13],出现了许多用于生成全相位全息图的算法。这些算法有的侧重计算效率,有的则更注重重建图像的质量[14]。传统上,迭代算法(如Gerchberg-Saxton算法,GS算法)被用于全相位CGH的生成。GS算法旨在找到一个相位,将输入平面的振幅与其对应的傅里叶平面的振幅联系起来。每次迭代后,重建振幅与目标振幅之间的均方误差会减小,因为估计的相位越来越接近这两者之间的真实关系[15]。
GS算法是众多变体的基础,这些变体被称为迭代投影算法,旨在提升原始方法的性能和适用性。例如,这些变体包括用于生成菲涅尔全息图[16]、多平面全息图[17]的修改,以及为提高性能和收敛性而引入的约束条件[18]。
近年来,人们越来越关注使用随机梯度下降(SGD)等优化方法生成全相位全息图。该方法涉及计算损失函数的梯度,并用其更新初始相位。更新后的相位被向前传播到目标平面,然后重新计算损失值。损失函数量化了目标振幅与重建振幅之间的差异。基于SGD的方法可以生成任意场景的全息图,包括2D和3D物体[19]。然而,计算损失函数的梯度可能在计算上非常耗时,需要使用Wirtinger微积分[20]或Adam优化器[21]等高级方法。这一限制使得基于SGD生成的全相位全息图不适合实时应用。
总体而言,迭代技术能够获得满意的结果;但由于计算效率较低,它们在实时光场操控方面的应用受到限制。作为替代方案,非迭代CGH方法虽然计算速度更快,但质量或精度可能会有所下降。其中最广泛使用的全相位全息图生成方法之一是双相位全息技术[22]。该方法将复杂场转换为两个相位函数,并以棋盘格模式交错排列。这种策略可以生成精确的全相位全息图,但交错排列会降低有效分辨率,且重建尺寸受高频噪声影响。尽管有改进措施(如优化交错模式或重新定义相位函数[23,24]),双相位全息技术的有效物体尺寸限制仍然存在。
其他非迭代方法依赖于某些函数,当这些函数与目标场结合并经过逆变换后,可以得到近似的全相位分布。通常使用随机相位函数来实现这一目标。尽管这种方法速度极快,但重建结果会产生明显的散斑噪声[25,26]。一种改进方法是使用图案化随机相位函数,在逆变换和相位提取之前将小随机相位阵列与目标场相乘[27]。这可以减少散斑噪声,但会引入与重复块模式相关的周期性伪影。
最近,出现了基于随机、二次或图案化函数优化的非迭代全息图生成方法。这种优化通常通过迭代算法(如GS算法)实现,显著提高了全相位全息图的质量。例如,这种方法已应用于二次相位函数,生成了散斑较少的重建图像,但可能存在振铃伪影[28];同时也应用于随机相位掩模,进一步减少了散斑噪声。优化后的随机相位(ORAP)方法在重建质量上接近迭代方法(如GS),并且单个优化掩模可以重复用于生成多种物体的全相位全息图,无需额外优化。这一概念还扩展到了菲涅尔全息图和3D物体全息图[29], [30], [31], [32]]。
除了这些方法外,目前还有许多研究致力于开发基于机器学习的快速全相位CGH方法。这些方法继承了先前优化技术(如ORAP)的一些优势,因为它们依赖于卷积神经网络(Convolutional Neural Networks)及相关技术,其参数需要在训练过程中进行优化。然而,一旦训练完成,它们可以与其他非迭代方法相当的速度生成全息图。最近的成果表明,基于深度学习的方法(如基于U-Net的方案)能够以远超迭代方法的速度合成全息图[33],甚至能够高速生成4K全息图[34]。其他方法通过在训练数据集中包含实验数据并为卷积神经网络添加物理约束,也实现了多平面场景和其他3D场景的全相位全息图生成[35]。尽管如此,这些方法的训练阶段可能非常复杂,通常需要包含数千个输入数据的庞大训练集和强大的图形处理单元。因此,仍需进一步研究以开发出与迭代方法竞争的非迭代方法,并使其能够在低功耗计算系统中应用。
基于此目标,本文介绍了一种用于菲涅尔域生成全相位全息图的非迭代方法。该方法使用SGD优化复杂光场,优化后的复杂场(OCF)在生成全息图时与目标物体相乘。与OFRAP和ORAP等先前优化方法相比,这种方法有两个主要优势:首先,优化是通过基于相关系数指标的损失函数进行的随机梯度下降实现的;其次,优化范围扩展到了复数值场,从而增加了优化损失函数的自由度。此外,生成OCF后,无需高功率计算系统即可生成全息图,且质量优于OFRAP,甚至优于迭代方法(如IFrTA)。尽管生成OCF所需的计算资源较多,但远低于最近提出的机器学习全息图生成方法。这使得OCF成为在计算资源有限的情况下生成大量高质量全息图(如全息视频)的可行方案。
本文评估了该方法的性能,考虑了传播距离和训练周期数,以重建质量作为评价标准。将使用OCF生成的全息图的质量与使用优化后的菲涅尔随机相位(OFRAP)和非优化随机相位函数生成的全息图进行比较。通过实验全息投影系统获得的数值模拟和实验结果证明了所提方法的有效性。