論文の概要: A Large-Depth-Range Layer-Based Hologram Dataset for Machine Learning-Based 3D Computer-Generated Holography

• arxiv url: http://arxiv.org/abs/2512.21040v1
• Date: Wed, 24 Dec 2025 08:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.732364
• Title: A Large-Depth-Range Layer-Based Hologram Dataset for Machine Learning-Based 3D Computer-Generated Holography
• Title（参考訳）: 機械学習に基づく3次元ホログラフィーのための大深層層ホログラムデータセット
• Authors: Jaehong Lee, You Chan No, YoungWoo Kim, Duksu Kim,
• Abstract要約: 機械学習ベースのホログラフィー(ML-CGH)は近年急速に進歩しているが、高品質で大規模なホログラムデータセットの可用性が制限されている。 256*256から2048*2048までの解像度で6000対のRGB-D画像と複雑なホログラムからなる公開データセットである KOREATECH-CGH を提案する。 位相保存中に各深さ層におけるホログラム波動場の振幅成分を置き換える後処理技術である振幅投影を導入する。
• 参考スコア（独自算出の注目度）: 13.181734078670134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-based computer-generated holography (ML-CGH) has advanced rapidly in recent years, yet progress is constrained by the limited availability of high-quality, large-scale hologram datasets. To address this, we present KOREATECH-CGH, a publicly available dataset comprising 6,000 pairs of RGB-D images and complex holograms across resolutions ranging from 256*256 to 2048*2048, with depth ranges extending to the theoretical limits of the angular spectrum method for wide 3D scene coverage. To improve hologram quality at large depth ranges, we introduce amplitude projection, a post-processing technique that replaces amplitude components of hologram wavefields at each depth layer while preserving phase. This approach enhances reconstruction fidelity, achieving 27.01 dB PSNR and 0.87 SSIM, surpassing a recent optimized silhouette-masking layer-based method by 2.03 dB and 0.04 SSIM, respectively. We further validate the utility of KOREATECH-CGH through experiments on hologram generation and super-resolution using state-of-the-art ML models, confirming its applicability for training and evaluating next-generation ML-CGH systems.
• Abstract（参考訳）: 機械学習に基づくコンピュータ生成ホログラフィー(ML-CGH)は近年急速に進歩しているが、高品質で大規模なホログラムデータセットの可用性に制限がある。 これを解決するために、256*256から2048*2048までの解像度で6000対のRGB-D画像と複雑なホログラムからなる公開データセット KOREATECH-CGH を提案する。 大深度域でのホログラム品質向上のために,各深度層におけるホログラム波面の振幅成分を位相保存中に置き換える後処理技術である振幅投影を導入する。 提案手法により,PSNRが27.01dB,SSIMが0.87,SSIMが2.03dB,SSIMが0.04となった。 我々はさらに,ホログラム生成実験と最先端MLモデルによる超高分解能化による KOREATECH-CGH の有用性を検証し,次世代ML-CGH システムのトレーニングおよび評価への適用性を確認した。

関連論文リスト

• Complex-Valued 2D Gaussian Representation for Computer-Generated Holography [8.809623258601201]
  構造付き複素数値2次元ガウスプリミティブに基づく新しいホログラム表現を提案する。 ホログラムパラメータ探索空間を小さくすることで,次世代のコンピュータ生成ホログラフィシステムにおいて,よりスケーラブルなホログラム推定が可能となる。
  論文  参考訳（メタデータ） (2025-11-19T01:41:14Z)
• High-resolution Photo Enhancement in Real-time: A Laplacian Pyramid Network [73.19214585791268]
  本稿では,LLF-LUT++と呼ばれるピラミッドネットワークについて紹介する。 具体的には,ダウンサンプリング画像のグローバル音節特性を活かした画像適応型3D LUTを利用する。 LLF-LUT++は、HDR+データセット上でPSNRが2.64dB改善されただけでなく、4K解像度の画像を1つのGPUでわずか13msで処理することで、さらに削減されている。
  論文  参考訳（メタデータ） (2025-10-13T16:52:32Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• GRMM: Real-Time High-Fidelity Gaussian Morphable Head Model with Learned Residuals [78.67749748078813]
  3D Morphable Models (3DMM)は、再構成、アニメーション、AR/VRのための制御可能な顔形状と表情の編集を可能にする。 GRMMは,ベース3DMMに残留形状と外観成分を付加した最初のフルヘッド型ガウス型3次元形状モデルである。 GRMMは、インタラクティブなリアルタイムパフォーマンスを提供しながら、忠実さと表現精度において最先端の手法を超越している。
  論文  参考訳（メタデータ） (2025-09-02T09:43:47Z)
• Fourier Optics and Deep Learning Methods for Fast 3D Reconstruction in Digital Holography [0.0]
  コンピュータ生成ホログラフィー(CGH)は、デジタルホログラムを用いたユーザ定義の有望な波形である。 パフォーマンス指標は、HoloNetのディープラーニングCGHと同様に、2Dの中央値を使用して改善されている。
  論文  参考訳（メタデータ） (2025-08-08T21:14:36Z)
• Beyond Gaussians: Fast and High-Fidelity 3D Splatting with Linear Kernels [51.08794269211701]
  本稿では,ガウスカーネルを線形カーネルに置き換えて,よりシャープで高精度な結果を得る3Dリニアスティング(DLS)を提案する。 3DLSは、最先端の忠実さと正確さを示し、ベースライン3DGSよりも30%のFPS改善を実現している。
  論文  参考訳（メタデータ） (2024-11-19T11:59:54Z)
• OAH-Net: A Deep Neural Network for Hologram Reconstruction of Off-axis Digital Holographic Microscope [5.835347176172883]
  本稿では, 深層学習とオフ軸ホログラフィの物理原理を融合した新しい再構成手法を提案する。 我々のオフ軸ホログラムネットワーク(OAH-Net)は、ハードウェアに起因する測定誤差範囲内にある誤差のある位相および振幅画像を取得する。 この能力は、生物学的および医学の両方でオフ軸ホログラフィーの応用をさらに拡大する。
  論文  参考訳（メタデータ） (2024-10-17T14:25:18Z)
• 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)
• eFIN: Enhanced Fourier Imager Network for generalizable autofocusing and pixel super-resolution in holographic imaging [0.30586855806896046]
  深層ニューラルネットワーク「拡張フーリエイメージネットワーク(eFIN)」を画素超解像と画像オートフォーカスによるホログラム再構成のためのフレームワークとして導入する。 eFINは画像再構成の質が優れており、トレーニング段階では見られない新しいタイプのサンプルに対して外部の一般化を示す。 eFINは3xピクセル超解像度イメージングを可能にし、再構成画像の空間帯域幅積をほぼ性能損失なく9倍に向上させる。
  論文  参考訳（メタデータ） (2023-01-09T04:12:10Z)
• 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)

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。