WiMi Hologram Cloud Inc. heeft aangekondigd dat het een holografisch reconstructienetwerk (HRNet) heeft ontwikkeld dat een belangrijke technologische doorbraak betekent op het gebied van hologramreconstructie. De innovatieve technologie van WiMi, HRNet, die gebaseerd is op deep learning en holografische beeldverwerking, biedt end-to-end mogelijkheden voor hologramreconstructie zonder de noodzaak van a priori kennis en complexe nabewerkingsstappen. De technologie doorbreekt de beperkingen van traditionele holografische reconstructiemethoden en realiseert ruisvrije beeldreconstructie en fasebeeldvorming, wat grote mogelijkheden biedt voor beeldverwerking, computervisie en andere gerelateerde gebieden.

Holografie is een techniek die de volledige golffrontinformatie van een object vastlegt, inclusief amplitude en fase. WiMi's HRNet maakt gebruik van een end-to-end leerstrategie met deep learning en biedt een innovatieve oplossing voor holografische reconstructie. WiMi's HRNet maakt gebruik van een deep learning benadering om enkele van de uitdagingen van traditionele methoden aan te pakken.

Enkele van de belangrijkste aspecten van de technologie worden hieronder beschreven: End-to-end leren: HRNet gebruikt een end-to-end leerstrategie om direct van de originele hologrammen te leren en te reconstrueren. Dit betekent dat het originele hologram als invoer voor het netwerk dient zonder enige voorkennis of extra voorbewerkingsstappen. Diepe residuele netwerken: De netwerkarchitectuur maakt gebruik van diep residueel leren. Dit betekent dat identiteitstoewijzingen tussen netwerklagen worden toegevoegd om het trainingsproces te vereenvoudigen en de berekening te versnellen.

Deze aanpak helpt bij het oplossen van het probleem van verdwijnende/exploderende gradiënten in diepe neurale netwerken. Ruisvrije reconstructie: HRNet kan ruisvrije reconstructieresultaten uitvoeren, wat betekent dat het de problemen veroorzaakt door ruis en vervorming in traditionele methoden kan elimineren. Deze ruisvrije reconstructie helpt de kwaliteit en nauwkeurigheid van gereconstrueerde beelden te verbeteren.

Fasebeeldverwerking: HRNet kan niet alleen de reconstructie van amplitudeobjecten aan, maar ook fasebeeldvorming. Conventionele fasebeeldvorming vereist compensatie voor faseafwijking en extra ontvouwingsstappen om de werkelijke objectdikte te herstellen. HRNet kan fase-informatie direct uit hologrammen reconstrueren door de verwerkingsstappen van fasebeeldvorming te leren.

Verwerking van objecten met meerdere doorsneden: HRNet kan ook de reconstructie van objecten met meerdere doorsneden verwerken, waardoor de vrijheidsgraden van de toepassing worden uitgebreid. Dit betekent dat het in staat is om full-focus beelden en dieptekaarten te genereren, waarmee het in de behoefte aan multidimensionale gegevens in veel toepassingen voorziet. WiMi's HRNet maakt gebruik van deep learning en een end-to-end leerbenadering om ruisvrije beeldreconstructie te bereiken door een interne representatie van de holografische reconstructie te leren die voldoet aan de behoeften van zowel fasebeeldvorming als objecten met meerdere doorsneden.

Deze gegevensgestuurde aanpak elimineert de afhankelijkheid van a priori kennis en extra verwerkingsstappen en biedt een nieuw en effectief raamwerk voor digitale holografische reconstructie. De kern van WiMi's HRNet is om de kracht van deep learning te gebruiken om hologrammen te reconstrueren zonder dat er a priori kennis of vervelende voorbewerkingsstappen nodig zijn. Dit betekent dat het originele hologram als input dient voor het netwerk, dat automatisch de noodzakelijke verwerkingsstappen in holografische reconstructie leert en verbindingen op pixelniveau legt tussen het originele hologram en backpropagatie.

Deze gegevensgestuurde aanpak elimineert de afhankelijkheid van a priori kennis en extra verwerkingsstappen, waardoor het reconstructieproces efficiënter en nauwkeuriger wordt. In HRNet gebruikte het onderzoeksteam van WiMi een diepe residuele leerbenadering om de netwerkarchitectuur te ontwerpen. Deze aanpak voegt identiteitstoewijzing tussen netwerklagen toe, waardoor het trainingsproces wordt vereenvoudigd en de berekening wordt versneld.

Deze gematigd diepe netwerkarchitectuur is in staat om voldoende aanpassingsvermogen te hebben terwijl overmatige rekenbelasting wordt vermeden, waardoor een delicaat evenwicht tussen prestaties en trainingsbelasting wordt bereikt. HRNet is in staat om ruisvrije reconstructieresultaten te produceren, wat de kwaliteit en nauwkeurigheid van de gereconstrueerde beelden verbetert. Dit is belangrijk voor veel toepassingen, vooral voor gebieden zoals medische beeldvorming, industriële inspectie en wetenschappelijk onderzoek waar beelden van hoge kwaliteit vereist zijn.

Ruis en vervorming zijn vaak een van de belangrijkste redenen voor de achteruitgang van de gereconstrueerde beeldkwaliteit bij traditionele methoden, terwijl HRNet in staat is om deze problemen te elimineren en ruisvrije reconstructieresultaten te leveren door middel van een deep learning-benadering. Naast de reconstructie van amplitudeobjecten kan WiMi's HRNet ook fasebeeldvorming en objecten met meerdere secties verwerken, waardoor de toepassingsmogelijkheden nog verder worden uitgebreid. Terwijl traditionele methoden voor fasebeeldvorming compensatie voor faseafwijking en een ontvouwingsstap vereisen, kan HRNet fase-informatie direct uit hologrammen reconstrueren door de verwerkingsstappen van fasebeeldvorming te leren.

Dit biedt een meer vereenvoudigde en efficiënte oplossing voor fasebeeldvorming. Voor de verwerking van objecten met meerdere secties is WiMi's HRNet in staat om beelden met volledige focus en dieptekaarten te genereren om te voldoen aan de behoefte aan multidimensionale gegevens in veel toepassingen. Dit is belangrijk voor 3D-beeldreconstructie op medisch gebied, diepteperceptie bij automatisch rijden, en oppervlaktetopografieanalyse bij industriële inspectie, enz.

De mogelijkheid van HRNet om objecten met meerdere doorsneden te verwerken, zorgt voor meer flexibiliteit en nauwkeurigheid in deze toepassingen. WiMi zal doorgaan met het onderzoek naar en de ontwikkeling van HRNet om de prestaties en functionaliteit verder te verbeteren. Ze zullen doorgaan met het verbeteren van de netwerkarchitectuur en trainingsalgoritmen om HRNet in staat te stellen complexere scènes en objecten te verwerken.

Tegelijkertijd zullen ze ook de integratie met andere geavanceerde technologieën onderzoeken, zoals kunstmatige intelligentie, machinaal leren en big data-analyse, om de mogelijkheden en toepassingen van hologramreconstructie verder te verbeteren.