提供物体三维(3D)视图的全息图提供了常规二维(2D)图像无法达到的细节水平。由于全息图能够提供3D物体的逼真和身临其境的体验，因此在医疗成像、制造和虚拟现实等各个领域具有巨大的应用潜力。传统上，全息图是通过记录物体的三维数据以及光与物体的相互作用来构建的。然而，这种技术在计算上是高度密集的，因为它需要使用特殊的相机来捕捉3D图像。这使得全息图的生成具有挑战性，并限制了它们的广泛使用。
近年来，许多深度学习方法也被提出用于生成全息图。他们可以直接从使用RGB-D相机捕获的3D数据中创建全息图，RGB-D相机可以捕获物体的颜色和深度信息。这种方法规避了与传统方法相关的许多计算挑战，并代表了一种更容易生成全息图的方法。
现在，由千叶大学工程研究生院的Tomoyoshi Shimobaba教授领导的一个研究小组提出了一种基于深度学习的新方法，通过直接从使用普通相机捕获的常规2D彩色图像中生成3D图像，进一步简化了全息图的生成。千叶大学工程研究生院的Yoshiyuki Ishii和Tomoyoshi Ito也参与了这项研究，该研究发表在《工程中的光学和激光》杂志上。
Shimobaba教授解释了这项研究的基本原理，他说:“实现全息显示有几个问题，包括3D数据的获取、全息图的计算成本，以及全息图图像的转换以匹配全息显示设备的特性。
该方法采用三个深度神经网络(dnn)将常规的2D彩色图像转换为可用于显示3D场景或物体作为全息图的数据。第一个深度神经网络使用使用普通相机捕获的彩色图像作为输入，然后预测相关的深度图，提供有关图像的3D结构的信息。原始的RGB图像和由第一个DNN创建的深度图然后被第二个DNN利用来生成全息图。最后，第三个深度神经网络对第二个深度神经网络生成的全息图进行细化，使其适合在不同设备上显示。
研究人员发现，所提出的处理数据和生成全息图的方法所花费的时间优于最先进的图形处理单元。“我们方法的另一个值得注意的好处是，最终全息图的再现图像可以代表自然的3D再现图像。此外，由于在全息图生成过程中不使用深度信息，因此这种方法价格低廉，并且在训练后不需要RGB-D相机等3D成像设备，”Shimobaba教授补充道，同时进一步讨论了结果。
在不久的将来，这种方法可以在平视和头戴式显示器中找到潜在的应用，以生成高保真的3D显示器。同样，它可以彻底改变车载全息平视显示器的产生，这种显示器可能能够以3D方式向乘客展示有关人员、道路和标志的必要信息。因此，所提出的方法有望为增强无处不在的全息技术的发展铺平道路。
本文来自作者[啊爹]投稿，不代表文学号立场，如若转载，请注明出处：https://www.8ucq.com/wenxuehao/1389.html
评论列表（4条）
我是文学号的签约作者“啊爹”！
希望本篇文章《简化三维全息显示的生成》能对你有所帮助！
本站[文学号]内容主要涵盖：文学号, 名著深析, 创作秘笈, 经典文脉, 诗词鉴赏, 作家故事, 每日文萃, 写作指南, 文本细读, 文学灯塔, 经典重释
本文概览：˂pclass="32ba-8eec-801b-84dd description"˃提供物体三维(3D)视图的全息图提供了常规二维(2D)图像无法达到的细...