2009 年，IMAX 3D 电影《阿凡达》风靡举世影戏阛阓。几年后，初音未来 3D 演唱会吸引了总共动漫迷的目光。比来，AR/VR 3D 头戴修筑计算了元全国的蓬勃滋长。3D 揭发规模的每一项出息都带来了告急的社会合怀和经济功效。

　　然则，与观光线D 物体不同的是，游移者佩戴筑立得到 3D 音尘时，视觉主题的深度撑持坚固。这种聚散度医疗冲破（VAC）使观望者容易发作视觉疲惫和晕迷，从而限制了用户体认。

　　鼓励机天禀全休术（CGH）能够从根源上防范聚散调节冲破的产生。实行安装大约紧凑。CGH 受到了学术界和家当界的极大闭切。它被视为 3D 显示的未来体式。

　　原则上，CGH 基于衍射策动将 3D 偏向编码为数字二维 (2D) 全歇图。而后将二维全息图上传到由平面波照明的空间光调制器 (SLM)。在坚信隔断处得到 3D 物体的光学重建。CGH 在广大的 3D 显露器中具有潜在的利用，比方头戴式揭发器、平视显露器和投影显现器。

　　奈何高速、高材料地天分二维全歇图是此刻该范围的一个枢纽题目和仓皇探寻方向。

　　最近，清华大学精细仪器系物色团队提出了一种模型驱动的深度实习神经收集，称为 4K-DMDNet。完结高质料高疾全歇图天分，结束高保线K 彩色全歇呈现。

　　图示：(a) 数据驱动深度学习与 (b) 4K-DMDNet 在检验理由方面的对比。

　　由于 SLM 的限定性，怂恿出的全歇平面上的复振幅散布需要蜕变为仅振幅全息图或仅相位全休图 (POH)。个中，POH 天赋流程是规范的不适定逆问题。它面临的寻事是操持安顿能够不是唯一的、清闲的或现有的。

　　迭代算法能够将 POH 禀赋经过转折为优化题目。可以获取具有杰出汗漫性的数值解。可是，这些算法面临胀动快度和沉筑材料之间的权衡。

　　深度练习庞大的并行惩罚技能为办理优化标题带来了革命性的进步。深度操练对 CGH 也爆发了久远的陶染。

　　预先得到 3D 物体的熬炼数据集和对应的全歇图数据集，举动神经网络的输入和输出。熬炼神经汇集闇练它们之间的映照合系。历程陶冶的搜集可能杀青对磨练数据集以外的显示目标输入的速疾预测。有望同时结束高快和高材料的全歇图生成。

　　欺诳神经搜集进行全息图天资的方针早在 1998 年就由日本探究人员提出，但受限于其时打算机的软硬件功能，仅得到了起源的成就。

　　随着 GPU 和卷积神经网络（CNN）的普及应用，而今的硬件和软件效用更相宜 CGH 的数学特性。基于演习的 CGH 孕育赶快。

　　2021 年，麻省理工学院的研究人员提出了一种 「张量」 全休网络，能够在智在行机上实时先天 2K 全歇图。

　　为了获得切实的搜集展望，锤炼数据集和响应的全歇图数据集需要一个耗时的天才经过。其它，由于网络不外老练输入和输出之间的照射，全息图数据集的质地控制了磨练终局的上限。

　　为了打破数据驱动深度熟练的上述局限性，提出了基于模型驱动深度老练的全休图禀赋设计。

　　搜集不是预先生成全息图数据集，而是经验行使逆问题的正向物理模型行为模型驱动花样中的拘束来锤炼汇集。收集因此能够研习如何自助编码全休图，争执全息图数据集大小和质料的限定。

　　可是，守旧的模型驱动的深度操演网络必要在泄露层次进步行迁移演习才略获得更好的功效。卓殊的光阴资本限定了模型驱动深度操练的本色行使。

　　该查究提出的 4K-DMDNet 运用残差 U-Net 神经汇集框架。Fresnel 衍射模型作为锻炼进程的管理。它可以在没有迁移演习的处境下禀赋高保线K 全歇图。

　　大凡来说，搜集的展望性能受到网络有限的进建本领和陶冶经过中拘束亏欠的陶染。

　　为了应对进筑才华有限的挑拨，4K-DMDNet 引入了亚像素卷积的本事。在上采样旅途中，经验运用卷积将通路数扩大了四倍，空间扩张是阅历像素 shuffle 取得的。亚像素卷积本事解决了古板转置卷积中参与多量零参数举办空间夸大的挑战。它在不更改具体数据量的情状下，将上采样旅途中的可闇练参数扩充到原始大小的四倍。它有效地巩固了搜集的进筑本领，从而明白提升了沉建的了了度和保真度。

　　为了解决检验经过中约束亏欠的挑战，4K-DMDNet 在 Fresnel 衍射模型中引入了过采样掌握。频域中的桎梏地区被零增添以在打算经过中将尺寸加倍。依照空间采样中断和频率鸿沟之间的照射，浸修满意 Nyquist-Shannon 采样定理。在收紧频域统制的同时，降低了衍射模型的精度。