简化生成三维全息显示器

全息图提供物体的三维（3D）视图，提供了常规二维（2D）图像无法达到的细节水平。由于它们能够提供逼真和身临其境的3D物体体验，全息图在各个领域具有巨大的应用潜力，包括医学成像、制造和虚拟现实。

传统意义上，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而构建的。然而，这种技术计算量很大，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应用。

近年来，许多深度学习方法也被提出用于生成全息图。它们可以直接从使用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。这种方法避免了与传统方法相关的许多计算挑战，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，该方法通过直接从使用普通相机捕获的常规2D彩色图像生成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《工程光学与激光》杂志上。

Shimobaba教授解释了这项研究背后的基本原理，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像的转换，以匹配全息显示设备的特性。我们进行这项研究是因为我们相信深度学习近年来发展迅速，有潜力解决这些问题。”

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将3D场景或物体显示为全息图的数据。

第一个DNN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3D结构的信息。

然后，第二DNN利用原始RGB图像和第一个DNN创建的深度图来生成全息图。最后，第三个DNN对第二个DNN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，所提出的方法处理数据和生成全息图所花费的时间优于最先进的图形处理单元。

“我们的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没有使用深度信息，这种方法成本低廉，不需要在训练后使用RGB-D相机等3D成像设备，”Shimobaba教授补充道。

在不久的将来，这种方法可以在用于生成高保真3D显示器的抬头显示器和头戴式显示器中找到潜在的应用。同样，它可以彻底改变车载全息抬头显示器的生成，该显示器可能能够以3D形式向乘客呈现有关人员、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。

相关链接：https://phys.org/news/2023-10-generation-three-dimensional-holographic-displays.html