评估仅相位全息图压缩的所学模型-计算机科学-全息图压缩-全息显示.pdfVIP

评估仅相位全息图压缩的所学模型

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

2

v图1:比较基于共同的INR和VAE学习模型在分屏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指标压缩的相位全息图。上三角形显示相应的3D相位全息图的3D重建，并依次包含

4

6PSNR、SSIM和LPIPS指标（源图像：photosteve101）。

6

0.摘要这些结果强调了INRs的有效性，并指出了预训练图

7像压缩VAEs在全息图压缩任务中的局限性。

0我们评估了四种常用学习模型在利用INR和VAE结

5构压缩全息显示中的相位全息图的性能。评估的模型

2

:包括一个普通多层感知器、领航者[Sitzmannetal.2020]CCSConcepts

v

i和FilmSIREN[Chanetal.2021]，其中TAESD[Bohan

x•Computingmethodologies→Imagecompression;

r2023]是代表性的VAE模型。我们的实验表明，一个

a•Theoryofcomputation→Datacompression;•

预训练的图像VAE，TAESD，带有2.2参数，在相

Hardware→Displaysandimagers;Emergingoptical

位全息图压缩方面存在困难，揭示了需要特定任务的

andphotonictechnologies.

适应性。在INRs中，领航者使用4.9参数实现了高

质量的%40压缩（重建的3D图像PSNR=34.54dB）。

Keywords

计算机生成的全息图，全息图压缩，全息显示

Permissiontomakedigitalorhardcopiesofallorpartofthisworkforpersonal

orclassroomuseisgrantedwithoutfeeprovidedthatcopiesarenotmadeor

distributedforprofitorcommercialadvantageandthatcopiesbearthisnoticeACMReferenceFormat:

andthefullcitationonthefirstpage.Copyr