Noticias

May 30, 2023

WiMi Hologram Cloud desarrolló una tecnología CGH eficiente basada en aprendizaje profundo y redes neuronales

BEIJING, 9 de junio de 2023 /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​o la "Compañía"), un proveedor líder mundial de tecnología de realidad aumentada con hologramas ("AR"), anunció hoy una nueva y

BEIJING, 9 de junio de 2023 /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​o la "Compañía"), un proveedor líder mundial de tecnología de realidad aumentada con hologramas ("AR"), anunció hoy una nueva Y una solución más eficiente para la holografía generada por computadora (CGH) a través del aprendizaje profundo y la tecnología de redes neuronales. El aprendizaje profundo puede encontrar la solución óptima o la solución óptima local en funcionamiento, lo que hace que sea eficiente calcular CGH. CGH se ha aplicado a trampas de luz holográficas, pantallas 3D, concentradores planos, pantallas AR, etc.

La tecnología CGH puede obtener la mejor modulación de onda mediante la resolución inversa del campo de luz personalizado. La calidad de la imagen está limitada por la precisión de la modulación SLM, que suele ser un desafío para representar el campo de luz objetivo. En la práctica, la solución de los hologramas computacionales es siempre aproximada y se necesitan métodos numéricos para determinar los hologramas factibles y obtener el frente de onda mejor codificado. El cálculo actual en CGH generalmente utiliza algoritmos iterativos y los métodos no iterativos están diseñados para ahorrar tiempo de cálculo mediante la evolución del algoritmo GS. A pesar de la mejora, estos métodos no iterativos siempre conducen a una calidad de imagen deficiente y una resolución espacial baja durante la reconstrucción debido al ruido de dispersión, los efectos de reducción de resolución y la interferencia de la imagen conjugada. Al utilizar tecnologías de aprendizaje profundo, las estructuras U-net se han probado en problemas CGH con éxito inicial, pero los hologramas obtenidos por U-net en problemas holográficos computacionales tienen el inconveniente de degradar la calidad de las imágenes reconstruidas. Las redes neuronales convolucionales tradicionales se basan en filtros convolucionales y funciones de activación no lineales, lo que significa que se supone que los datos procesados ​​son linealmente separables. Sin embargo, problemas como la codificación de imágenes, el cifrado holográfico y el análisis de frecuencia son difíciles de describir mediante funciones linealmente divisibles, y la convolución y deconvolución simples siempre se restringen a una determinada región para mejorar la eficiencia operativa. La incapacidad de U-net para utilizar y reescribir información global significa que el procesamiento óptico de imágenes es muy débil.

WiMi ha desarrollado una tecnología eficiente de holografía generada por computadora (ECGH), un método de imágenes CGH basado en aprendizaje profundo, cuyo objetivo es resolver los problemas de los ciclos computacionales largos y la mala calidad de los métodos CGH tradicionales. El método utiliza una red neuronal convolucional lineal mixta (MLCNN) para imágenes holográficas computacionales y mejora la extracción y el intercambio de información mediante la introducción de una capa completamente conectada en la red.

La red utiliza una estructura MLCNN con capas de bifurcación de líneas, una estructura "DownSample" para el muestreo descendente y una estructura "UpSample" para el muestreo ascendente. La tecnología utiliza un modelo de red neuronal para calcular el campo óptico objetivo de entrada y calcula los valores de fase para simular los resultados experimentales ópticos. El campo óptico objetivo se compara con los resultados de la simulación utilizando una función de pérdida, y el gradiente del valor de pérdida se calcula y se propaga hacia atrás para actualizar los parámetros de la red.

El método ECGH de WiMi puede obtener rápidamente las imágenes de fase pura necesarias para generar imágenes holográficas de alta calidad. En comparación con el método CGH tradicional basado en aprendizaje profundo, la tecnología ECGH de WiMi puede reducir la cantidad de parámetros necesarios para el entrenamiento de la red en aproximadamente un 60 %, mejorando así la eficiencia y confiabilidad de la red. Además, la estructura de red de la tecnología ECGH es muy versátil y puede utilizarse para resolver diversos problemas de reconstrucción de imágenes, lo que tiene una gran practicidad y perspectivas de aplicación.

Las imágenes ECGH de WiMi utilizan un modelo de aprendizaje profundo no iterativo MLCNN, que puede calcular la generación de hologramas más rápidamente. Al aplicar con éxito el método ECGH, se pueden obtener imágenes de hologramas computacionales estables y de alta calidad. Una característica importante de la estructura MLCNN es la capacidad de calcular el intercambio de datos entre regiones, lo que la hace adecuada para funciones ópticas complejas que requieren la manipulación de información global. La aplicación del modelo MLCNN en la tecnología ECGH de WiMi puede manejar eficazmente la complejidad de las funciones ópticas. El modelo puede manejar una variedad de funciones ópticas complejas para generar imágenes holográficas de alta calidad. Esta imagen holográfica puede reproducir perfectamente la escena 3D, brindando al observador una experiencia visual más realista. El modelo MLCNN tiene una mejor adaptación del dominio óptico que la estructura de red U-net. Esto le da una ventaja en la generación y reconstrucción holográfica porque puede manejar mejor la complejidad de las funciones ópticas y las variaciones en el dominio óptico, y CGH puede reproducir perfectamente la capacidad de las escenas 3D y prevenir la fatiga visual.

La tecnología ECGH desarrollada en base al marco del modelo MLCNN de aprendizaje profundo y redes neuronales no solo reduce la carga computacional sino que también mejora la calidad de los hologramas, lo que hace que CGH sea más práctico. Además, el modelo MLCNN es muy flexible y puede adaptarse a diferentes tareas de generación holográfica. Tiene una excelente potencia computacional y capacidad de generación de hologramas de alta calidad. Con el desarrollo continuo de la tecnología, la tecnología ECGH del modelo MLCNN se utilizará más ampliamente.

Acerca de la nube de hologramas WIMI

WIMI Hologram Cloud, Inc. (NASDAQ:WIMI) es un proveedor de soluciones técnicas integrales de nube holográfica que se enfoca en áreas profesionales que incluyen software HUD automotriz AR holográfico, LiDAR de pulso holográfico 3D, equipo holográfico de campo de luz montado en la cabeza, semiconductor holográfico y software de nube holográfica. , navegación holográfica para automóviles y otros. Sus servicios y tecnologías AR holográficas incluyen aplicaciones automotrices AR holográficas, tecnología LiDAR de pulso holográfico 3D, tecnología de semiconductores de visión holográfica, desarrollo de software holográfico, tecnología publicitaria AR holográfica, tecnología de entretenimiento AR holográfica, pago ARSDK holográfico, comunicación holográfica interactiva y otras tecnologías AR holográficas.

Declaraciones de puerto seguro

Este comunicado de prensa contiene "declaraciones a futuro" dentro de la Ley de Reforma de Litigios sobre Valores Privados de 1995. Estas declaraciones a futuro pueden identificarse mediante terminología como "voluntad", "espera", "anticipa", "futuro", "tiene la intención". ", "planea", "cree", "estima" y declaraciones similares. Las declaraciones que no son hechos históricos, incluidas las declaraciones sobre las creencias y expectativas de la Compañía, son declaraciones prospectivas. Entre otras cosas, las perspectivas comerciales y las citas de la gerencia en este comunicado de prensa y los planes estratégicos y operativos de la Compañía contienen declaraciones prospectivas. La Compañía también puede hacer declaraciones prospectivas escritas u orales en sus informes periódicos a la Comisión de Bolsa y Valores de EE. UU. ("SEC") en los formularios 20-F y 6-K, en su informe anual a los accionistas, en comunicados de prensa y otros materiales escritos y en declaraciones orales hechas por sus funcionarios, directores o empleados a terceros. Las declaraciones prospectivas implican riesgos e incertidumbres inherentes. Varios factores podrían hacer que los resultados reales difieran materialmente de los contenidos en cualquier declaración prospectiva, incluidos, entre otros, los siguientes: los objetivos y estrategias de la Compañía; el desarrollo comercial futuro, la situación financiera y los resultados de operaciones de la Compañía; el crecimiento esperado de la industria holográfica AR; y las expectativas de la Compañía con respecto a la demanda y aceptación en el mercado de sus productos y servicios.

Se incluye más información sobre estos y otros riesgos en el informe anual de la Compañía en el Formulario 20-F y el informe actual en el Formulario 6-K y otros documentos presentados ante la SEC. Toda la información proporcionada en este comunicado de prensa corresponde a la fecha de este comunicado de prensa. La Compañía no asume ninguna obligación de actualizar ninguna declaración prospectiva, excepto según lo exijan las leyes aplicables.

Ver contenido original: https://www.prnewswire.com/news-releases/wimi-hologram-cloud-developed-an-ficient-cgh-technology-based-on-deep-learning-and-neural-networks-301846946. HTML

FUENTE WiMi Hologram Cloud Inc.

Cotizaciones relacionadas