فناوری جدید تصاویر دوبعدی معمولی را به هولوگرام سه بعدی تبدیل میکند
این روش که شامل دنبالهای از سه شبکه عصبی عمیق است، نه تنها فرآیند تولید هولوگرام را ساده میکند، بلکه از نظر سرعت از واحدهای پردازش گرافیکی پیشرفته فعلی نیز بهتر عمل میکند.
![فناوری جدید تصاویر دوبعدی معمولی را به هولوگرام سه بعدی تبدیل میکند](https://static2.click.ir/thumbnail/75kZmuQtRmxK/UR0XPo4ro1yRtzdc0MwRBzlsbKYyXOPwWLXdwSjAcBi7XPcEHLp9DX50kH6azi3E9B4Sbt2dVatr898JT6v2TL4xbotL9doe/15969.jpg)
بعد از مرحله آموزش، به تجهیزات گران قیمتی مانند دوربینهای RGB-D نیازی ندارد و به همین دلیل مقرون به صرفه است. با کاربردهای بالقوه در نمایشگرهای سه بعدی با کیفیت بالا و سیستمهای هولوگرافی داخل خودرو، این نوآوری نشان دهنده پیشرفت قابل توجهی در فناوری هولوگرافی است.
محققان روش جدیدی را پیشنهاد میکنند که از یادگیری عمیق برای ایجاد هولوگرامهای سه بعدی از تصاویر رنگی دو بعدی استفاده میکند.
هولوگرامها نمای سه بعدی (۳ بعدی) از اشیاء را ارائه میدهند و سطحی از جزئیات را ارائه میدهند که تصاویر دو بعدی (۲ بعدی) نمیتوانند نشان دهند.
نمایش واقع گرایانه و عمیق آنها از اشیاء سه بعدی، هولوگرامها را در بخشهای مختلف، از جمله تصویربرداری پزشکی، تولید و واقعیت مجازی بسیار ارزشمند میکند.
هولوگرافی سنتی شامل ثبت دادههای سه بعدی یک شی و برهمکنش آن با نور است، فرآیندی که نیازمند قدرت محاسباتی بالا و استفاده از دوربینهای تخصصی برای گرفتن تصاویر سه بعدی است.
این پیچیدگی پذیرش گسترده هولوگرامها را محدود کرده است.
یادگیری عمیق در نسل هولوگرام
در سالهای اخیر، روشهای یادگیری عمیق بسیاری نیز برای تولید هولوگرام پیشنهاد شده است. آنها میتوانند هولوگرامهایی را مستقیماً از دادههای سه بعدی گرفته شده با استفاده از دوربینهای RGB-D ایجاد کنند که هم اطلاعات رنگ و هم عمق یک شی را ضبط میکند.
این رویکرد بسیاری از چالشهای محاسباتی مرتبط با روش مرسوم را دور میزند و رویکرد سادهتری را برای تولید هولوگرام نشان میدهد.
هولوگرافی انقلابی با رویکردی نوین
اکنون، گروهی از محققان به سرپرستی پروفسور «تومویوشی شیموبابا» از دانشگاه چیبا، رویکرد جدیدی را مبتنی بر یادگیری عمیق پیشنهاد میکنند که با تولید تصاویر سهبعدی مستقیماً از تصاویر رنگی دوبعدی معمولی که با استفاده از دوربینهای معمولی گرفته شدهاند، تولید هولوگرام را سادهتر میکند.
شیموبابا در توضیح منطق پشت این مطالعه میگوید: مشکلات متعددی در تحقق نمایشگرهای هولوگرافیک وجود دارد از جمله دستیابی به دادههای سه بعدی، هزینه محاسباتی هولوگرامها و تبدیل تصاویر هولوگرام برای مطابقت با ویژگیهای دستگاه نمایش هولوگرافیک.
وی ادامه می دهد: ما این مطالعه را انجام دادیم، زیرا معتقدیم یادگیری عمیق در سالهای اخیر به سرعت توسعه یافته است و پتانسیل حل این مشکلات را دارد.
فرآیند یادگیری عمیق سه مرحلهای
رویکرد پیشنهادی از سه «شبکه عصبی عمیق» (DNN) برای تبدیل یک تصویر رنگی دوبعدی معمولی به دادهای استفاده میکند که میتواند برای نمایش یک صحنه یا شی سهبعدی به عنوان هولوگرام استفاده شود.
اولین DNN از یک تصویر رنگی استفاده میکند که با استفاده از یک دوربین معمولی به عنوان ورودی گرفته شده است و سپس نقشه عمق مرتبط را پیش بینی میکند و اطلاعاتی در مورد ساختار سه بعدی تصویر ارائه میدهد.
هم تصویر RGB اصلی و هم نقشه عمق ایجاد شده توسط DNN اول، توسط DNN دوم برای تولید هولوگرام استفاده میشود. در نهایت، DNN سوم هولوگرام تولید شده توسط DNN دوم را اصلاح میکند و آن را برای نمایش در دستگاههای مختلف مناسب میکند.
محققان دریافتند که زمان صرف شده توسط رویکرد پیشنهادی برای پردازش دادهها و تولید هولوگرام نسبت به یک واحد پردازش گرافیکی پیشرفته، بسیار بهتر است.
شیموبابا افزود: یکی دیگر از مزایای قابل توجه رویکرد ما این است که تصویر بازتولید شده از هولوگرام نهایی میتواند یک تصویر بازتولید شده سه بعدی طبیعی را نشان دهد. علاوه بر این، از آنجایی که اطلاعات عمق در طول تولید هولوگرام استفاده نمیشود، این رویکرد ارزان است و نیازی به دستگاههای تصویربرداری سه بعدی مانند دوربینهای RGB-D و آموزشهای آن ندارد.
در آینده نزدیک، این رویکرد میتواند کاربردهای بالقوهای را در نمایشگرهای هدآپ و روی سر برای تولید نمایشگرهای سه بعدی با کیفیت بالا پیدا کند. به همین ترتیب، میتواند انقلابی در نسل یک نمایشگر هدآپ هولوگرافی داخل خودرو ایجاد کند که ممکن است بتواند اطلاعات لازم را در مورد افراد، جادهها و علائم به مسافران به صورت سه بعدی ارائه دهد؛ بنابراین پیش بینی میشود رویکرد پیشنهادی راه را برای تقویت توسعه فناوری هولوگرافیک فراگیر هموار کند.
نتایج این تحقیقات در نشریه Optics and Lasers in Engineering منتشر شده است.
منبع: آخرین خبر