ニュース

Jun 01, 2023

コンピュータ生成ホログラフィック ディスプレイ用の知覚に動機付けられた損失関数

Scientific Reports volume 12、記事番号: 7709 (2022) この記事を引用 3056 アクセス 2 Altmetric メトリクスの詳細 再構成された画像の知覚品質を理解し、改善することが重要です

Scientific Reports volume 12、記事番号: 7709 (2022) この記事を引用

3056 アクセス

2 オルトメトリック

メトリクスの詳細

再構成された画像の知覚品質を理解し、改善することは、高忠実度ホログラフィック ディスプレイ用のコンピューター生成ホログラフィ アルゴリズムを開発するための鍵となります。 ただし、現在のアルゴリズムは通常、平均二乗誤差を使用して最適化されており、知覚品質との相関が低いことで広く批判されています。 私たちの研究では、ホログラム最適化プロセスにおける損失関数として現代の画質メトリクス (IQM) を採用する包括的な分析を紹介します。 実験的に再構成された画像の広範な客観的および主観的な評価により、ホログラム最適化における IQM 損失の相対的なパフォーマンスが明らかになります。 私たちの結果は、適切な IQM 損失関数を使用すると、知覚される画質が大幅に向上することを明らかにし、ホログラム最適化のための知覚に基づいた損失関数を開発することの価値を強調しています。

ホログラフィーは、光を制御する独自の機能を提供し、光通信 1、データ ストレージ 2、顕微鏡 3 から 2 次元および 3 次元ディスプレイ 4,5 に至るまで、さまざまなアプリケーションに大きな影響を与えます。 アルゴリズムと計算能力の進歩により、光の回折と干渉をシミュレートすることで計算機生成ホログラム (CGH) を数値計算できるようになりました。 取得された CGH は空間光変調器 (SLM) に表示され、コヒーレント照明を変調して目的のシーンを再現します。 CGH アルゴリズムの目標は、SLM 上に表示でき、目的の画像に最もよく近似する強度分布を生成するホログラムを計算することです。

CGH は一般にネマチック液晶 SLM 上に表示され、優れた光効率を高めますが、変調できるのは入射ビームの位相のみに限定されます。 これらの SLM によって課せられる位相限定の制限を解決するために、二重位相 4,6 および誤差拡散法 7,8,9 は、複素振幅回折フィールドを位相限定ホログラムに直接エンコードします。 ワンステップ位相検索アルゴリズム (OSPR) として知られる別のアプローチ 10,11 は、短い時間間隔内に複数の位相限定ホログラムを表示して、再生フィールド内のエラーを統計的に平均化します。 トレーニングされた深層学習ベースの CGH アルゴリズムも、非反復ソリューションとして採用されています 12、13、14。 ダイレクトサーチ (DS)15 やシミュレーテッドアニーリング (SA)16 などの反復 CGH アルゴリズムは、ホログラム内の単一ピクセルを変更して、最適なホログラムを見つけます。 Gerchberg-Saxton アルゴリズム (GS)17 やハイブリッド入出​​力 (HIO)18,19 法のような位相回復法も研究されています。

最近、勾配降下法が位相限定 CGH 最適化に適用されています 12,13,14,20,21,22,23,24。 事前定義された目的関数の勾配が計算され、反復ごとにホログラム位相を更新するために使用されます。 この方法は、実験セットアップにおける光学アーチファクトを除去するためのフィードバック最適化戦略としてカメラとさらに組み合わせることができます 13,22。 選択された特定の損失関数は、ホロ​​グラム位相を最適な状態に駆動するためのこれらの反復最適化アプローチにおいて不可欠です。 損失関数の標準的な選択は、使い方が簡単で物理的な意味が明確なため、平均二乗誤差 (MSE) です。 MSE は再構成された画像のピクセルごとの誤差を定量化しますが、知覚品質との相関性が低いことで広く批判されています 25、26、27、28。

有望ではありますが、比較的活用されていないアプローチは、位相のみの CGH 最適化プロセスで画質メトリクス (IQM) を使用することです。 デジタル ホログラフィーにおける IQM の伝統的な役割は、最適化プロセスを動的に監視し、取得された画像の知覚品質を評価することです29、30、31、32。 最新の IQM モデルは、人間の視覚システムに関する先験的な知識に基づいて視覚品質を評価するか、大規模なデータセットでトレーニングされた学習済みモデルを使用します。 これらは、画質評価のために適切な知覚空間 28,33 で画像特徴を使用しますが、CGH 最適化プロセスではまだ十分に活用されていません。 ここでは、より優れた CGH 最適化アルゴリズムを目指してこれらの知覚メトリクスの勾配を使用することを目的として、トレーニング損失に対するユビキタス MSE の代替として IQM の使用に焦点を当てます。 知覚に動機付けられた損失関数の使用は、特に中心窩領域および周辺知覚におけるスペックル抑制に焦点を当てて、中心窩のある CGH において最近注目を集めています 34,35。 他の非ホログラフィック画像復元アプリケーションも知覚損失を研究していますが、さまざまなアプリケーションにわたって他の損失関数よりも優れた単一の損失関数は存在しないことが観察されています 36,37,38。