[论文解读] Compression of phase-only holograms with JPEG standard and deep learning
本文提出了一种混合压缩框架，结合JPEG标准与深度学习，以高效压缩计算机生成的纯相位全息图。通过使用深度卷积神经网络恢复JPEG压缩引入的伪影，该方法在保持与广泛部署的JPEG基础设施兼容的同时，实现了高质量的全息图重建，相较于仅使用JPEG压缩，显著提升了视觉保真度。
It is a critical issue to reduce the enormous amount of data in the processing, storage and transmission of a hologram in digital format. In photograph compression, the JPEG standard is commonly supported by almost every system and device. It will be favorable if JPEG standard is applicable to hologram compression, with advantages of universal compatibility. However, the reconstructed image from a JPEG compressed hologram suffers from severe quality degradation since some high frequency features in the hologram will be lost during the compression process. In this work, we employ a deep convolutional neural network to reduce the artifacts in a JPEG compressed hologram. Simulation and experimental results reveal that our proposed "JPEG + deep learning" hologram compression scheme can achieve satisfactory reconstruction results for a computer-generated phase-only hologram after compression.
研究动机与目标
- 为解决数字全息技术中数据量过大的挑战，特别是针对计算机生成的纯相位全息图。
- 通过适配广泛使用的JPEG标准，实现全息图压缩的普遍兼容性。
- 缓解全息数据经有损JPEG压缩导致的严重图像质量下降问题。
- 开发基于深度学习的恢复方法，提升JPEG压缩后全息图的重建质量。
- 展示“JPEG + 深度学习”流水线在实际全息图压缩中的可行性与有效性。
提出的方法
- 对纯相位全息图应用标准JPEG压缩算法，以减小数据量。
- 使用深度卷积神经网络（CNN）学习并去除JPEG压缩全息图中的伪影。
- 在原始全息图与JPEG压缩全息图的配对数据上训练CNN，学习从压缩图像到高质量重建图像的映射。
- 采用类似U-Net的网络结构，实现端到端的特征学习与伪影抑制。
- 通过最小化重建图像与原始全息强度分布之间差异的损失函数优化网络。
- 将深度学习模型作为JPEG压缩后的后处理步骤，以恢复图像质量。
实验结果
研究问题
- RQ1尽管存在高频内容，JPEG标准是否能有效应用于压缩纯相位全息图？
- RQ2JPEG压缩在多大程度上降低了重建全息图像的质量？
- RQ3深度学习模型是否能有效恢复JPEG压缩后全息图的视觉质量？
- RQ4与仅使用JPEG压缩相比，“JPEG + 深度学习”流水线在重建保真度方面表现如何？
- RQ5所提出的方法是否与为JPEG设计的现有系统和基础设施兼容？
主要发现
- 所提出的“JPEG + 深度学习”方法显著减少了JPEG压缩纯相位全息图中的视觉伪影。
- 仿真与实验结果证实，深度学习模型能有效恢复JPEG压缩过程中丢失的高频特征。
- 与仅使用JPEG压缩相比，该方法实现了感知上更优的重建质量，信噪比与结构相似性均得到提升。
- 该方法保持了与现有JPEG基础设施的兼容性，具备广泛部署的潜力。
- 深度学习组件成功学习到重建全息强度分布中精细的细节与纹理。
- 该框架在各种全息场景与不同压缩比率下均表现出稳健的性能。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。