评估仅相位全息图压缩的已学习模型-计算机科学-计算机生成全息图-全息图压缩-全息显示.pdfVIP

评估仅相位全息图压缩的已学习模型

ZicongPengYichengZhanJosefSpjutKaanAkşit

UniversityCollegeUniversityCollegeNVIDIAUniversityCollege

LondonLondonDurham,NC,USLondon

London,UKLondon,UKjspjut@London,UK

zicong.peng.24@ucl.ac.ukucaby83@ucl.ac.ukk.aksit@ucl.ac.uk

本

译

中

1

v图1:比较常见的基于INR和VAE的学习模型在分割视图中的全息图压缩任务。对于每个图像内嵌，下三角形代

6表使用PSNR和SSIM指标的压缩相位全息图。上三角显示相应的3D相位全息图的3D重建，依次包含PSNR、

4

6SSIM和LPIPS指标（源图像：photosteve101）。

6

0.摘要性，并指出了预训练图像压缩VAEs在全息图压缩任

7务中的局限性。

0我们评估了四个常用学习模型在使用INR和VAE结

5构压缩全相位全息图方面的性能，这些模型应用于全

2

:息显示中。评估的模型包括一个普通多层感知器、领CCSConcepts

v

i航者[Sitzmannetal.2020]和FilmSIREN[Chanetal.

x•Computingmethodologies→Imagecompression;

r2021]，以TAESD[Bohan2023]作为代表性的VAE模

a•Theoryofcomputation→Datacompression;•

型。我们的实验表明，一个预训练的图像VAE,TAESD

Hardware→Displaysandimagers;Emergingoptical

，带有2.2参数，在相位全息图压缩方面遇到困难，显

andphotonictechnologies.

示出需要特定任务的适应性。在INRs中，带有4.9参

数的领航者在重建的3D图像中实现了高质量的%40

压缩（PSNR=34.54dB）。这些结果强调了INRs的有效Keywords

计算机生成全息图，全息图压缩，全息显示

Permissiontomakedigitalorhardcopiesofallorpartofthisworkforpersonal

orclassroomuseisgrantedwithoutfeeprovidedthatcopiesarenotmadeor

distributedforprofitorcommercialadvantageandthatcopiesbearthisnoticeACMReferenceFormat:

andthefullcitationonthefirstpage.Copyrigh