Les hologrammes qui offrent une vue tridimensionnelle (3D) des objets fournissent un niveau de détail inaccessible par les photos bidimensionnelles (2D) classiques. En raison de leur capacité à offrir une expérience réaliste et immersive des objets 3D, les hologrammes présentent un énorme potentiel d’utilisation dans divers domaines, notamment l’imagerie médicale, la fabrication et la réalité virtuelle. Les hologrammes sont traditionnellement construits en enregistrant les données tridimensionnelles d’un objet et les interactions de la lumière avec l’objet. Cependant, cette system nécessite beaucoup de calculs vehicle elle nécessite l’utilisation d’une caméra spéciale pour capturer les illustrations or photos 3D. Cela rend la génération d’hologrammes difficile et limite leur utilisation généralisée.
Ces derniers temps, de nombreuses méthodes d’apprentissage profond ont également été proposées pour générer des hologrammes. Ils peuvent créer des hologrammes directement à partir des données 3D capturées à l’aide de caméras RVB-D qui capturent à la fois les informations de couleur et de profondeur d’un objet. Cette approche contourne de nombreux défis informatiques associés à la méthode conventionnelle et représente une approche as well as uncomplicated pour générer des hologrammes.
Aujourd’hui, une équipe de chercheurs dirigée par le professeur Tomoyoshi Shimobaba de la Graduate Faculty of Engineering de l’Université de Chiba propose une nouvelle approche basée sur l’apprentissage profond qui rationalise davantage la génération d’hologrammes en produisant des pictures 3D directement à partir d’images couleur 2D classiques capturées à l’aide de caméras ordinaires. Yoshiyuki Ishii et Tomoyoshi Ito de la Graduate University of Engineering de l’Université de Chiba faisaient également partie de cette étude, qui a été mise en ligne le 2 août 2023 dans Optics and Lasers in Engineering.
Expliquant le fondement de cette étude, le professeur Shimobaba déclare : « La réalisation d’affichages holographiques pose plusieurs problèmes, notamment l’acquisition de données 3D, le coût de calcul des hologrammes et la transformation des images d’hologrammes pour correspondre aux caractéristiques d’un dispositif d’affichage holographique. Nous avons entrepris cette étude parce que nous pensons que l’apprentissage profond s’est développé rapidement ces dernières années et a le potentiel de résoudre ces problèmes.
L’approche proposée utilise trois réseaux de neurones profonds (DNN) pour transformer une image couleur 2D ordinaire en données pouvant être utilisées pour afficher une scène ou un objet 3D sous forme d’hologramme. Le premier DNN utilise une image couleur capturée à l’aide d’une caméra ordinaire comme entrée, puis prédit la carte de profondeur associée, fournissant des informations sur la framework 3D de l’image. L’image RVB originale et la carte de profondeur créée par le premier DNN sont ensuite utilisées par le 2nd DNN pour générer un hologramme. Enfin, le troisième DNN affine l’hologramme généré par le deuxième DNN, le rendant ainsi adapté à l’affichage sur différents appareils.
Les chercheurs ont découvert que le temps nécessaire à l’approche proposée pour traiter les données et générer un hologramme était supérieur à celui d’une unité de traitement graphique de pointe. « Un autre avantage remarquable de notre approche est que l’image reproduite de l’hologramme final peut représenter une image reproduite en 3D naturelle. De in addition, puisque les informations de profondeur ne sont pas utilisées lors de la génération de l’hologramme, cette approche est peu coûteuse et ne nécessite pas de dispositifs d’imagerie 3D tels que RVB. -D caméras après la formation », ajoute le professeur Shimobaba, tout en discutant in addition en détail des résultats.
Dans un avenir proche, cette approche pourrait trouver des apps potentielles dans les visiocasques et les visiocasques pour générer des écrans 3D haute fidélité. De même, il peut révolutionner la génération d’un affichage tête haute holographique embarqué, able de présenter aux passagers les informations nécessaires sur les personnes, les routes et les panneaux en 3D. L’approche proposée devrait donc ouvrir la voie à l’augmentation du développement de la technologie holographique omniprésente.
