[論文レビュー] End-to-end differentiable design of geometric waveguide displays

Xinge Yang, Zhaocheng Liu+5 more|arXiv (Cornell University)|Jan 7, 2026

Advanced Optical Imaging Technologies被引用数 0

ひとこと要約

この論文は、非逐次的な光の輸送と偏光依存の多層コーティングを共に最適化する、エンドツーエンドの微分可能フレームワークを導入し、ジオメトリックウェーブガイドディスプレイの勾配ベース設計と画像前処理ネットワークを用いたシステムレベルの共同設計を可能にする。

ABSTRACT

Geometric waveguides are a promising architecture for optical see-through augmented reality displays, but their performance is severely bottlenecked by the difficulty of jointly optimizing non-sequential light transport and polarization-dependent multilayer thin-film coatings. Here we present the first end-to-end differentiable optimization framework for geometric waveguide that couples non-sequential Monte Carlo polarization ray tracing with a differentiable transfer-matrix thin-film solver. A differentiable Monte Carlo ray tracer avoids the exponential growth of deterministic ray splitting while enabling gradients backpropagation from eyebox metrics to design parameters. With memory-saving strategies, we optimize more than one thousand layer-thickness parameters and billions of non-sequential ray-surface intersections on a single multi-GPU workstation. Automated layer pruning is achieved by starting from over-parameterized stacks and driving redundant layers to zero thickness under discrete manufacturability constraints, effectively performing topology optimization to discover optimal coating structures. On a representative design, starting from random initialization within thickness bounds, our method increases light efficiency from 4.1\% to 33.5\% and improves eyebox and FoV uniformity by $\sim$17$ imes$ and $\sim$11$ imes$, respectively. Furthermore, we jointly optimize the waveguide and an image preprocessing network to improve perceived image quality. Our framework not only enables system-level, high-dimensional coating optimization inside the waveguide, but also expands the scope of differentiable optics for next-generation optical design.

研究の動機と目的

• コーティングスタックとウェーブガイド幾何を共同最適化することで、高性能なGWG設計を動機づけ、実現する。
• 微分可能な非逐次モンテカルロ偏光レイトレーサを開発する。
• 偏光対応コーティングの有効なフレネル係数を計算するために、伝達行列法を微分可能な形で組み込む。
• レイヤーの剪定を用いたメモリ効率の良い大規模最適化を実現する。
• 画像前処理ネットワークとのシステムレベルの共同設計をデモンストレーションし、知覚品質を改善する。

提案手法

• 反射/透過を部分反射鏡でモデル化する微分可能な非逐次モンテカルロ偏光レイトレーシングを導入する。
• レイレイターを微分可能な伝達矩法と結合させ、多層コーティングの実効フレネル係数を計算する。
• 約1000層厚パラメータの最適化を可能にするため、メモリ節約戦略と離散的なレイヤ剪定機構を適用する。
• 製造性制約の下で厚さがほぼゼロに近づくレイヤーを剪定し、ランダムな厚さから代表的なGWG設計を最適化する。
• 視覚窓の透過と均一性指標（CV_FoVとCV_eyebox）を組み合わせた多目的損失を定義し、勾配ベースの最適化を行う。
• コーティングと共にニューラル前処理ネットワークを共同最適化することで、光学-デジタル共設計を拡張する。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドの微分可能最適化は、従来のデカップリング設計手法と比べて、ジオメトリックウェーブガイドディスプレイ（GWG）の光効率と均一性を改善できるか。
• RQ2 非逐次光輸送と偏光駆動の薄膜コーティングを共同最適化することで、アイボックス、 FoV、画像品質のシステムレベルの改善を実現できるか。
• RQ3 メモリ節約戦略とレイヤ剪定により、単一のマルチGPUワークステーションでスケーラブルな最適化を達成できるか。
• RQ4 ニューラル画像前処processorとの共同設計は、アイボックス内の知覚画像品質をさらに向上させることができるか。

主な発見

• アイボックス透過率が4.1%から33.5%へ向上（約8倍の改善）。
• FoVとアイボックスの非均一性がそれぞれ約11倍と17倍低減（CV_FoVは1.181から0.105、CV_eyeboxは1.369から0.081）。
• 微分可能な最適化は収束が速く、遺伝アルゴリズムをベースとするGAよりも損失が小さい。
• 最適化中にいくつかのレイヤーが厚さゼロに推移し、過剰パラメータ化されたスタックのトポロジー剪定を実現。
• ニューラル画像前処processorとの共設計は、画像品質の顕著な向上をもたらし（PSNR/SSIMが31.04 dB/0.955へ改善）。
• メモリ節約戦略により、マルチGPUを備えた単一ワークステーションで大規模最適化を実現。