論文の概要: Optimization of phase-only holograms calculated with scaled diffraction calculation through deep neural networks

• arxiv url: http://arxiv.org/abs/2112.01970v1
• Date: Thu, 2 Dec 2021 00:14:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 08:27:12.306801
• Title: Optimization of phase-only holograms calculated with scaled diffraction calculation through deep neural networks
• Title（参考訳）: 深部ニューラルネットワークを用いたスケールド回折計算による位相限定ホログラムの最適化
• Authors: Yoshiyuki Ishii, Tomoyoshi Shimobaba, David Blinder, Tobias Birnbaum, Peter Schelkens, Takashi Kakue, Tomoyoshi Ito
• Abstract要約: コンピュータ生成ホログラム(CGHs)はホログラフィック3次元ディスプレイやホログラフィック投影に用いられる。 位相のみのCGHを用いた再構成画像の品質は、再構成画像の振幅の制御が難しいため劣化する。 本研究では,大規模回折計算と無作為位相自由法を用いて生成した位相のみのCGHをディープラーニングで最適化する。
• 参考スコア（独自算出の注目度）: 6.554534012462403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer-generated holograms (CGHs) are used in holographic three-dimensional (3D) displays and holographic projections. The quality of the reconstructed images using phase-only CGHs is degraded because the amplitude of the reconstructed image is difficult to control. Iterative optimization methods such as the Gerchberg-Saxton (GS) algorithm are one option for improving image quality. They optimize CGHs in an iterative fashion to obtain a higher image quality. However, such iterative computation is time consuming, and the improvement in image quality is often stagnant. Recently, deep learning-based hologram computation has been proposed. Deep neural networks directly infer CGHs from input image data. However, it is limited to reconstructing images that are the same size as the hologram. In this study, we use deep learning to optimize phase-only CGHs generated using scaled diffraction computations and the random phase-free method. By combining the random phase-free method with the scaled diffraction computation, it is possible to handle a zoomable reconstructed image larger than the hologram. In comparison to the GS algorithm, the proposed method optimizes both high quality and speed.
• Abstract（参考訳）: コンピュータ生成ホログラム(cghs)はホログラフィックの3次元表示やホログラフィック投影に使用される。 位相のみのCGHを用いた再構成画像の品質は、再構成画像の振幅の制御が難しいため劣化する。 Gerchberg-Saxton (GS) アルゴリズムのような反復最適化手法は、画像品質を改善するための選択肢である。 CGHを反復的に最適化し、より高い画質を得る。 しかし、そのような反復計算は時間がかかり、画像品質の改善はしばしば停滞している。 近年,ディープラーニングに基づくホログラム計算が提案されている。 深層ニューラルネットワークは入力画像データから直接CGHを推論する。 しかし、ホログラムと同じ大きさの画像の再構成に限られている。 本研究では,大規模回折計算とランダム位相自由法を用いて生成した位相のみのCGHをディープラーニングで最適化する。 ランダム位相フリー法とスケールした回折計算を組み合わせることで、ホログラムよりも大きなズーム可能な再構成画像を扱うことができる。 gsアルゴリズムと比較して,提案手法は品質と速度の両方を最適化する。

関連論文リスト

• Sliding Gaussian ball adaptive growth (SlingBAG): point cloud-based iterative algorithm for large-scale 3D photoacoustic imaging [20.286369270523245]
  本稿では,数桁の命令でメモリ消費を削減できるポイントクラウド型反復再構成アルゴリズムを提案する。 この手法はスライディングガウス球適応成長(SlingBAG)アルゴリズムと呼ばれ、高速反復とメモリ使用量の極端に少ない高速な3次元PA再構成を実現する。
  論文  参考訳（メタデータ） (2024-07-16T14:38:13Z)
• Image-GS: Content-Adaptive Image Representation via 2D Gaussians [55.15950594752051]
  本稿では,コンテンツ適応型画像表現であるImage-GSを提案する。 異方性2Dガウスアンをベースとして、Image-GSは高いメモリ効率を示し、高速なランダムアクセスをサポートし、自然なレベルのディテールスタックを提供する。 画像-GSの一般的な効率性と忠実性は、最近のニューラルイメージ表現と業界標準テクスチャ圧縮機に対して検証される。 この研究は、機械認識、アセットストリーミング、コンテンツ生成など、適応的な品質とリソース制御を必要とする新しいアプリケーションを開発するための洞察を与えてくれることを願っている。
  論文  参考訳（メタデータ） (2024-07-02T00:45:21Z)
• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• AugUndo: Scaling Up Augmentations for Monocular Depth Completion and Estimation [51.143540967290114]
  本研究では,教師なし深度計算と推定のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。 これは、出力深さの座標への幾何変換を反転、あるいはアンドウイング(undo''-ing)し、深度マップを元の参照フレームに戻すことで達成される。
  論文  参考訳（メタデータ） (2023-10-15T05:15:45Z)
• Generalization of pixel-wise phase estimation by CNN and improvement of phase-unwrapping by MRF optimization for one-shot 3D scan [0.621405559652172]
  シングルパターンプロジェクション(ワンショット3Dスキャン)を用いたアクティブステレオ技術は、産業や医療目的などから広く注目を集めている。 ワンショット3Dスキャンの深刻な欠点はスパース再構成である。 パターンが正規かつ周期的であれば,任意のタイプの静的パターンに適用可能なワンショットスキャンのための画素ワイズ手法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T10:45:04Z)
• Learning Iterative Neural Optimizers for Image Steganography [29.009110889917856]
  本稿では,画像ステガノグラフィーが自然画像の(有意な)多様体上で本質的に実施されていることを論じる。 最適化を通して、ニューラルネットワークを訓練し、自然な画像の多様体に近づき続ける。 従来の最先端エンコーダ・デコーダ・ベースのステガノグラフィ法と比較して、回復誤差を桁違いに低減する。
  論文  参考訳（メタデータ） (2023-03-27T19:17:07Z)
• Curvature regularization for Non-line-of-sight Imaging from Under-sampled Data [5.591221518341613]
  非視線イメージング(NLOS)は、視線で測定されたデータから3次元の隠れたシーンを再構築することを目的としている。 曲率正規化に基づく新しいNLOS再構成モデルを提案する。 提案したアルゴリズムを,合成データセットと実データセットの両方で評価する。
  論文  参考訳（メタデータ） (2023-01-01T14:10:43Z)
• DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography [3.4635026053111484]
  デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。 本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:13:45Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• Human Body Model Fitting by Learned Gradient Descent [48.79414884222403]
  画像に3次元の人体形状を適合させる新しいアルゴリズムを提案する。 このアルゴリズムは高速(約120ms収束)で、データセットに頑健であり、公開評価データセットの最先端結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-08-19T14:26:47Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。