一种多个神经网络联合训练的真实模糊三维全息图重建方法，对于每个训练步骤，将训练集载入的RGB‑D图像根据深度图分为三层，随机选取一层作为聚焦面，另外两层为非聚焦面，将三层分别输入到多个作为复振幅生成器的神经网络中合成复振幅场，编码为仅相位全息图后传播到近场进行图像重建，使用二值掩模板掩模后对聚焦面和非聚焦面与对应的经过高斯模糊的目标图像求取损失函数，对梯度反向传播以优化神经网络的权重。本发明重建得到的全息图，具有图像质量高，深度区分明显，图像模糊真实等优点，更类似于人眼观察的自然图像，有望在全息显示、VA/AR等场景中获得实际应用。
📄 2024100305179
📂 G06T17_00
👤 浙江工业大学
📅 2024-01-09
本发明公开了一种基于NUFFT和Unet的的可控倾斜全息图重建方法，技术思路是：将Unet网络生成全息图的过程当做一个优化过程，首先通过Unet网络直接生成初始全息图，然后通过预设的传播模型得到想要的倾斜图像，而后利用损失函数的梯度下降算法优化全息图及Unet网络；在优化过程中，可以利用预设的传播模型控制生成图像的倾斜程度。相比获得全息图的传统方法，本发明重建得到的全息图，具有图像质量高、有连续深度线索和无用户视角限制等优点，能给予使用者更好的体验，有望在AR/XR等场景中获得实际应用。
📄 202211696612X
📂 G06T17_00
👤 浙江工业大学
📅 2022-12-28
一种基于层间边缘处理的多深度3D计算全息图合成方法，对于基于深度分层得到的切片，首先将对图片切片被遮挡边缘部分进行信息补充，相位被遮挡部分进行平滑补充处理，再将处理过后的振幅相位组合为复振幅场利用角谱法进行传播，至下一层时在进行类似处理，直至全部深度层处理完毕得到复振幅全息图。本发明能够重建具有正确遮挡关系的清晰三维场景，生成的全息图具有明确的前后关系聚焦面与非聚焦面边缘更清晰、更接近真实场景；大幅减轻全息图层间边缘伪影，生成的全息图非聚焦面具有自然的光学衍射现象，有望在全息显示、VA/AR等场景中获得实际应用。
📄 2024114833391
📂 G06T19_20
👤 浙江工业大学
📅 2024-10-23
一种基于注视区域优化的三维计算全息图重建方法，属于全息图重建领域，迭代优化的过程为：先构建权重矩阵，再进行光场传播，接着进行目标图像生成和损失函数构建，然后梯度优化与参数更新，当达到预设要求时，停止优化过程，最后进行全息图加载；端到端神经网络的过程为：首先通过复振幅场生成模块从输入图像生成中间平面复振幅光场；再采集眼部图像，提取用户视线注视点坐标及相关特征；随后将中间平面复振幅光场经光场传播得到初始全息图，并与视线特征融合以增强注视区域权重；最后直接输出可对入射光场进行相位调制的纯相位全息图。以及提供一种三维计算全息图重建装置。本发明对人眼注视区域进行重点优化，实现高动态范围的全息近眼显示。
📄 2025115635689
📂 G06T17_00
👤 浙江工业大学
📅 2025-10-30
本发明公开了一种动态全息图制作方法、动态全息图薄膜和光响应方法，属于全息技术领域。本发明的一种光响应的动态全息图薄膜，包括基材层、信息层、保护层；所述信息层设有能够对外界照明进行响应的全息条纹。本发明克服了传统全息图无法对非相干光照明进行动态响应显示的缺点，通过设置能够对非相干光照明进行响应的动态全息图薄膜，大幅增加了全息图的设计自由度；同时光响应形式新颖，无论是否具有明亮的环境光照明，在指定非相干光源照明下，本发明的全息图能够实现预设图案的显示与隐藏、图案随光源移动和缩放等动态响应，这是传统全息图无法实现的。并且光响应全息图的特征鲜明，动态图像栩栩如生，非常容易被普通民众识别和记忆。
📄 202411247967X
📂 G02B27_00
👤 浙江理工大学
📅 2024-09-06
本发明的一种非迭代菲涅耳纯相位全息图生成和复用方法、设备及介质，包括以下步骤，首先，利用迭代菲涅尔方法生成不同平面的FS‑OFRAPs，再结合3D物体分层策略非迭代生成不同层对应的全息图，通过叠加或复用得到最终的相位全息图，最后将复用后的全息图重建得到三维目标物体。本发明可以直接实现用于三维全息显示的纯相位全息图的快速生成。该方法突破了原始OFRAP方法在空间域中目标振幅固定支撑的大小和位置的限制，可以在非迭代方式下实现大尺寸3DCGH的快速生成。数值实验和光学实验验证了本发明3D‑FS‑OFRAP方法的优越性。
📄 2023104500000
📂 G03H1_04
👤 安徽大学
📅 2023-04-23
本发明的一种基于深度学习的大尺寸二维计算全息图实时生成方法，包括利用分解法消除大尺寸图像的不同图像块之间的数据依赖性，之后利用带宽补偿和空间位移补偿来确保不同图像块在全息平面中的正确映射；在消除了图像块之间的数据依赖性后，利用深度学习中U‑net架构通过非迭代生成经过补偿后得到图像块对应的子子全息图，再利用空间移位将同一图像块在不同空间位置生成的子子全息图合成为一幅子全息图；最后将不同图像块对应的子全息图进行复振幅叠加并提取相位得到最终全息图。本发明利用到的分解方法与深度学习训练网络是转而处理子数据，大大提高了全息图的生成速度与生成质量，实现了大尺寸二维计算全息图的实时生成。
📄 2022105327160
📂 G03H1_08
👤 安徽大学
📅 2022-05-13
本发明提供一种三维计算全息图非迭代快速生成方法，包括：将待处理三维物体沿深度方向分成相互平行且等间距的若干个平面层；将各个平面层的二维图像振幅与事先生成的满支撑优化菲涅尔随机相位相结合，生成各个平面层的初始相位全息图；将各个平面层的初始相位全息图与可编程菲涅尔透镜的相位进行叠加，得到各个平面层的最终相位全息图；将各个平面层的最终相位全息图进行叠加，得到待处理三维物体的计算全息图。本发明不需要为三维物体分层后的每个平面层的二维图像单独生成FS‑OFRAP，大大提高了三维计算全息图的生成速度，也有效保证了三维计算全息图的重建质量。
📄 2022104524458
📂 G03H1_08
👤 安徽大学
📅 2022-04-27
本发明提供一种基于FS‑ORAP的大尺寸全息图快速生成方法，包括：将待处理大尺寸目标图像沿横向和纵向等分成若干份，得到若干个子目标图像；将每个子目标图像的振幅与事先生成的满支撑优化随机相位结合成复振幅；对所述复振幅依次进行带宽补偿和相位补偿操作，得到每个子目标图像在不同空间位置的复振幅；对每个子目标图像在不同空间位置的复振幅进行2DFFT运算，得到每个子目标图像的子子全息图；利用空间移位操作得到每个子目标图像的子全息图；将所有子全息图进行叠加，得到待处理大尺寸图像的完整全息图。本发明有效提高了数据处理速度，大大节省了大尺寸全息图的生成时间，同时保证了大尺寸全息图的生成质量。
📄 202210452434X
📂 G03H1_08
👤 安徽大学
📅 2022-04-27
本发明公开了一种欠采样全息图压缩全息多尺度自聚焦重建方法及系统，属于数字全息技术领域，包括对物体在光学结构中不同位置经光源照射产生的全息图分别进行下采样操作，得到不同位置的下采样全息图；基于CS算法，对所述不同位置的下采样全息图进行重建，得到不同位置的振幅图像；采用特征值自聚焦算法的评估方法，根据不同位置的振幅图像，估计焦平面位置；基于TwIST算法，对焦平面位置的下采样全息图进行重建。本发明为实现欠采样情况下的自聚焦提出了EIG‑AF‑CS自聚焦算法，并将其与无孪生像压缩重建相结合，在保证重建质量的同时，有效克服了传统压缩全息重建中孪生像干扰及欠缺自聚焦能力的问题。
📄 2021107907664
📂 G03H1_08
👤 安徽大学
📅 2021-07-13
本发明公开了一种非迭代彩色相位全息图生成方法及系统，属于彩色全息显示技术领域，包括：基于重构平面与初始化随机相位，得到满支撑优化的随机相位，该重构平面为预先在空间域创建一个和SLM平面相同大小的满支撑单位振幅；将满支撑优化的随机相位与RGB三色通道的单色振幅结合，生成彩色相位全息图。本发明出的非迭代彩色相位全息图生成方案，不需要分通道分别进行G‑S的迭代，大大节省了计算时间。
📄 2021105338048
📂 G03H1_08
👤 安徽大学
📅 2021-05-14
柿子坊 · 知识产权运营
柿子坊知识产权运营平台