Deep Learningを用いたホログラム計算
Deep Learningを用いたホログラム計算
Embedded Files
現在, ホログラム(CGH)の計算には光の伝搬計算が用いられています. この計算に対して, 新たなホログラム生成手法として提案されているのがニューラルネットワークを用いた手法です. この計算方法は従来と比較して, 理論計算にとらわれない柔軟なホログラム生成が可能であり, 計算速度の高速化や, 再生像の高画質化, Layerホログラムなど様々な目的に利用されています. 現在私たちの研究室で取り組んでいるテーマ例をご紹介します.
3D再構成を用いたCGH計算
3D再構成を用いたCGH計算
複数視点の画像を入力することで三次元シーンを再構成するネットワークとして3D Gaussian Splattingが存在しています. 私たちはこのネットワークを用いることで2D画像入力から3Dホログラムを生成するパイプラインに取り組んでいます.
CGH計算における計算量の削減
CGH計算における計算量の削減
CGHにはホログラム面における複素振幅のうち, 振幅情報を利用する振幅型CGH, 位相情報を利用する位相型CGHの2つに分かれます. 振幅型CGHは計算量が位相型CGHよりも少なく済みますが, 再生像に加えて共役像と呼ばれる不要光が発生する問題があります. そこで. 私たちは計算量の削減を目的として, 振幅型CGHから位相型CGHを取得する研究に取り組んでいます.
References
Kai Kumano, Fan Wang, Keisuke Ono, Tomoyoshi Ito, Tomoyoshi Shimobaba, "Computer-generated hologram based on 3D Gaussian splatting", Optical Engineering, Optical Engineering 64(9), 093102 (2025).
Minsung Kang, Fan Wang, Kai Kumano, Tomoyoshi Ito, Tomoyoshi Shimobaba, "Neural radiance fields-based holography [Invited]", Applied Optics, 63, G24-G29 (May 2024) .
Takuya Hirahara, Fan Wang, Tomoyoshi Ito, Tomoyoshi Shimobaba, "Converting amplitude holograms into complex and phase-only holograms using deep neural network-based converters", Optics Communications, 578, 131492 (Apr. 2025).
Makoto Sekiguchi, Chung-Hsuan Huang, David Blinder, Shosei Yabuki, Fan Wang, Peter Schelkens, Han-Yen Tu, Chau-Jern Cheng, Tomoyoshi Ito, Tomoyoshi Shimobaba, "Deep learning-based complex hologram compression enhanced by ringing reduction", Optics Continuum, 5, 170-186 (Jan 2026).
Toshihiro Sakurai, Tomoyoshi Ito, Tomoyoshi Shimobaba, "Diffractive deep neural network-based classifier for holographic memory", Photonics, 11, 145 (Feb. 2024).
Yoshiyuki Ishii, Fan Wang, Harutaka Shiomi, Takashi Kakue, Tomoyoshi Ito, Tomoyoshi Shimobaba, "Multi-depth hologram generation from two-dimensional images by deep learning", Optics and Lasers in Engineering, 170, 107758 (2023).
Page updated
Google Sites
Report abuse