当前位置：首页>python>Python & MATLAB 仿真实现高速无监督HoloEncoder全息算法

Python & MATLAB 仿真实现高速无监督HoloEncoder全息算法

2026-10-11 08:17:23

Python & MATLAB 仿真实现高速无监督HoloEncoder全息算法

计算全息（CGH）是实现全息显示（VR）与光场调控的核心技术，但在实际应用中始终面临“速度与质量难以兼顾”的关键瓶颈：传统迭代算法如GS虽然能够获得较好的重建效果，但计算过程耗时、难以满足实时需求；而非迭代方法虽提升了速度，却往往牺牲了图像质量与分辨率。近年来，深度学习为CGH提供了新的解决思路，但大多数方法依赖大量成对标注数据（目标图像与对应全息图），不仅数据获取成本高，而且模型性能受限于训练数据质量。针对这些问题，HoloEncoder全息算法提出了一种全新的解决框架，将自编码器结构与光学衍射传播过程深度融合，在无需标注数据的情况下，实现相位型全息图的无监督学习生成。该方法将全息生成过程视为“编码-解码”问题：编码器利用U-Net结构从目标图像中学习相位分布，而解码器则直接嵌入Fresnel衍射物理模型，实现从相位到重建图像的光学传播过程，从而将物理约束引入网络训练中，显著提升结果的物理一致性与可解释性。同时该方法不仅能够在约0.15秒内生成4K分辨率全息图，而且在重建质量和speckle噪声抑制方面优于传统方法，同时具备良好的泛化能力。

本期将在此基础上，仿真实现HoloEncoder全息算法，并介绍核心原理、网络结构及工程实现思路，为从事计算全息、超表面设计及AI光学交叉研究的读者提供一条高效且具有前瞻性的技术路径。

一、HoloEncoder全息算法原理

HoloEncoder 的核心思想可以理解为：把“生成全息图”这件事，建模为一个带有物理约束的自编码过程。具体来说，如图1所示，首先将目标图像输入到编码器（采用 U-Net 结构），网络直接输出对应的相位分布 φ(x, y)，也就是相位型全息图；随后，这个相位并不会再经过普通神经网络解码，而是进入一个由物理规律构成的“解码器”——即基于 Fresnel 衍射的光学传播模型，将相位映射为重建图像的强度分布。在训练过程中，通过将重建图像与目标图像之间的误差（如 NPCC + 感知损失）反向传播，借助自动微分机制，将梯度从物理传播模块一路传回编码器，从而不断优化网络参数。这样一来，模型不仅学会了“如何生成相位”，还在训练过程中自然满足光学传播规律，实现了数据驱动与物理模型的融合，最终能够在无需标注数据的情况下，高效生成高质量的相位全息图。

图 1 HoloEncoder全息算法原理

换一个更直观的角度来看，HoloEncoder其实是在“模拟一个完整的光学成像闭环”：网络前半部分负责“设计光场”（生成相位全息图），后半部分则用真实的物理传播过程来“检验设计是否正确”。也就是说，模型并不是直接去拟合“输入图像→输出全息图”的黑箱映射，而是让生成的相位先经过一次“虚拟光学实验”（Fresnel衍射传播），得到重建结果，再与原始目标图像进行对比。如果重建效果不好，误差就会通过可微的物理模型反向传递，指导前端网络调整相位分布。这样不断迭代训练后，网络逐渐学会生成既符合光学传播规律、又能高质量重建目标图像的相位模式。相比传统方法，这种方式等价于把“求解最优全息图”的过程，转化为一次前向推理，大幅减少计算时间，同时由于引入了物理约束，也避免了纯数据驱动模型可能出现的不合理解。

二、HoloEncoder全息算法流程

🔹 Step 1：输入目标图像

首先，将目标强度图像 Itarget(x,y)I_{target}(x, y)Itarget(x,y) 输入网络。这一步不需要任何对应的全息图标签，是典型的无监督输入。

🔹 Step 2：编码器生成相位

目标图像经过编码器（U-Net）后，被映射为一个二维相位分布：

输出：ϕ(x,y)∈[−π,π]

🔹 Step 3：构建复振幅场

将相位转换为复光场：U(x,y)=exp(iϕ(x,y))

🔹 Step 4：物理传播

将复振幅输入Fresnel衍射模型，进行光场传播

🔹 Step 5：计算损失函数

将重建图像与目标图像进行对比，计算误差：NPCC（结构一致性） Perceptual Loss（视觉质量），Phase Regularization（相位平滑）

🔹 Step 6：反向传播

通过自动微分：梯度可以穿过“物理传播模块”反向传递，从而更新编码器参数，使其输出更优相位

三、仿真结果

文献：High-speed computer-generated holography using an autoencoder-based deep neural network

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：596563534@qq.com 。

最新文章

随机文章