Jun 02, 2023
WiMi Hologram Cloud hat eine effiziente CGH-Technologie entwickelt, die auf Deep Learning und neuronalen Netzen basiert
PEKING, 9. Juni 2023 /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ: WIMI) („WiMi“ oder das „Unternehmen“), ein weltweit führender Anbieter von Hologram Augmented Reality („AR“)-Technologie, gab heute eine neue bekannt Und
PEKING, 9. Juni 2023 /PRNewswire/––WiMi Hologram Cloud Inc. (NASDAQ: WIMI) („WiMi“ oder das „Unternehmen“), ein weltweit führender Anbieter von Hologram Augmented Reality („AR“)-Technologie, gab heute eine neue bekannt und effizientere Lösung für computergenerierte Holographie (CGH) durch Deep Learning und neuronale Netzwerktechnologie. Deep Learning kann im Betrieb die optimale oder lokal optimale Lösung finden, was die Berechnung von CGH effizient macht. CGH wurde auf holografische Lichtfallen, 3D-Displays, planare Konzentratoren, AR-Displays usw. angewendet.
Die CGH-Technologie kann die beste Wellenmodulation durch inverse Lösung des benutzerdefinierten Lichtfelds erzielen. Die Bildqualität wird durch die Genauigkeit der SLM-Modulation begrenzt, deren Darstellung des Ziellichtfelds normalerweise eine Herausforderung darstellt. In der Praxis handelt es sich bei der Lösung rechnerischer Hologramme immer um eine Näherungslösung, und es sind numerische Methoden erforderlich, um mögliche Hologramme zu bestimmen und die am besten codierte Wellenfront zu erhalten. Die aktuelle Berechnung in CGH verwendet normalerweise iterative Algorithmen, und nicht iterative Methoden sollen durch Weiterentwicklung des GS-Algorithmus Rechenzeit sparen. Trotz der Verbesserung führen diese nicht-iterativen Methoden aufgrund von Streurauschen, Downsampling-Effekten und konjugierten Bildinterferenzen immer zu einer schlechten Bildqualität und einer geringen räumlichen Auflösung während der Rekonstruktion. Beim Einsatz von Deep-Learning-Technologien wurden U-net-Strukturen bei CGH-Problemen mit anfänglichem Erfolg ausprobiert, aber die von U-net bei rechnerischen holographischen Problemen erhaltenen Hologramme haben den Nachteil, dass sie die Qualität der rekonstruierten Bilder verschlechtern. Herkömmliche Faltungs-Neuronale Netze basieren auf Faltungsfiltern und nichtlinearen Aktivierungsfunktionen, was bedeutet, dass davon ausgegangen wird, dass die verarbeiteten Daten linear trennbar sind. Allerdings lassen sich Probleme wie Bildkodierung, holographische Verschlüsselung und Frequenzanalyse nur schwer durch linear teilbare Funktionen beschreiben, und einfache Faltung und Entfaltung sind immer auf einen bestimmten Bereich beschränkt, um die Betriebseffizienz zu verbessern. Die Unfähigkeit von U-net, globale Informationen zu nutzen und neu zu schreiben, bedeutet, dass die optische Bildverarbeitung sehr schwach ist.
WiMi hat eine effiziente computergenerierte Holographie-Technologie (ECGH) entwickelt, eine auf Deep Learning basierende CGH-Bildgebungsmethode, die darauf abzielt, die Probleme langer Rechenzyklen und schlechter Qualität herkömmlicher CGH-Methoden zu lösen. Die Methode nutzt ein gemischtes lineares Faltungs-Neuronales Netzwerk (MLCNN) für die rechnergestützte holographische Bildgebung und verbessert die Informationsgewinnung und den Informationsaustausch durch die Einführung einer vollständig verbundenen Schicht im Netzwerk.
Das Netzwerk verwendet eine MLCNN-Struktur mit Leitungsgabelschichten, eine „DownSample“-Struktur für Downsampling und eine „UpSample“-Struktur für Upsampling. Die Technologie verwendet ein neuronales Netzwerkmodell, um das optische Eingangszielfeld zu berechnen und die Phasenwerte zu berechnen, um die optischen Versuchsergebnisse zu simulieren. Das optische Zielfeld wird mithilfe einer Verlustfunktion mit den Simulationsergebnissen verglichen und der Gradient des Verlustwerts wird berechnet und rückwärts propagiert, um die Netzwerkparameter zu aktualisieren.
Mit der ECGH-Methode von WiMi können Sie schnell die erforderlichen reinen Phasenbilder erhalten, um hochwertige holografische Bilder zu erzeugen. Im Vergleich zur herkömmlichen, auf Deep Learning basierenden CGH-Methode kann die ECGH-Technologie von WiMi die Anzahl der für das Netzwerktraining erforderlichen Parameter um etwa 60 % reduzieren und so die Effizienz und Zuverlässigkeit des Netzwerks verbessern. Darüber hinaus ist die Netzwerkstruktur der ECGH-Technologie äußerst vielseitig und kann zur Lösung verschiedener Bildrekonstruktionsprobleme verwendet werden, was große Praktikabilitäts- und Anwendungsaussichten bietet.
Die ECGH-Bilder von WiMi verwenden ein nicht-iteratives Deep-Learning-Modell MLCNN, das die Hologrammerzeugung schneller berechnen kann. Durch die erfolgreiche Anwendung der ECGH-Methode können hochwertige und stabile Computerhologrammbilder erhalten werden. Ein Hauptmerkmal der MLCNN-Struktur ist die Fähigkeit, den Datenaustausch über Regionen hinweg zu berechnen, wodurch sie für komplexe optische Funktionen geeignet ist, die die Manipulation globaler Informationen erfordern. Durch die Anwendung des MLCNN-Modells in der ECGH-Technologie von WiMi kann die Komplexität optischer Funktionen effektiv bewältigt werden. Das Modell kann eine Vielzahl komplexer optischer Funktionen verarbeiten, um hochwertige holografische Bilder zu erzeugen. Dieses holografische Bild kann die 3D-Szene perfekt reproduzieren und bietet dem Betrachter ein realistischeres visuelles Erlebnis. Das MLCNN-Modell weist eine bessere optische Domänenanpassung auf als die U-Net-Netzwerkstruktur. Dies verschafft ihm einen Vorteil bei der holographischen Erzeugung und Rekonstruktion, da es die Komplexität optischer Funktionen und Variationen im optischen Bereich besser bewältigen kann und CGH die Fähigkeit von 3D-Szenen perfekt reproduzieren und visuelle Ermüdung verhindern kann.
Die auf Basis des MLCNN-Modellrahmens für Deep Learning und neuronale Netze entwickelte ECGH-Technologie reduziert nicht nur den Rechenaufwand, sondern verbessert auch die Qualität von Hologrammen und macht CGH dadurch praktischer. Darüber hinaus ist das MLCNN-Modell äußerst flexibel und kann an verschiedene holografische Erzeugungsaufgaben angepasst werden. Es verfügt über eine hervorragende Rechenleistung und die Fähigkeit zur Erzeugung hochwertiger Hologramme. Mit der kontinuierlichen Weiterentwicklung der Technologie wird die ECGH-Technologie des MLCNN-Modells immer häufiger eingesetzt.
Über WIMI Hologram Cloud
WIMI Hologram Cloud, Inc. (NASDAQ:WIMI) ist ein Anbieter umfassender technischer Lösungen für die holografische Cloud, der sich auf professionelle Bereiche konzentriert, darunter holografische AR-Automobil-HUD-Software, holografisches 3D-Puls-LiDAR, am Kopf montierte holografische Lichtfeldgeräte, holografische Halbleiter und holografische Cloud-Software , holographische Autonavigation und andere. Zu seinen Dienstleistungen und holografischen AR-Technologien gehören holografische AR-Automobilanwendungen, holografische 3D-Puls-LiDAR-Technologie, holografische Vision-Halbleitertechnologie, holografische Softwareentwicklung, holografische AR-Werbetechnologie, holografische AR-Unterhaltungstechnologie, holografische ARSDK-Zahlung, interaktive holografische Kommunikation und andere holografische AR-Technologien.
Safe Harbor-Erklärungen
Diese Pressemitteilung enthält „zukunftsgerichtete Aussagen“ im Sinne des Private Securities Litigation Reform Act von 1995. Diese zukunftsgerichteten Aussagen sind an Begriffen wie „wird“, „erwartet“, „antizipiert“, „zukünftig“ und „beabsichtigt“ erkennbar , „plant“, „glaubt“, „schätzt“ und ähnliche Aussagen. Aussagen, die keine historischen Fakten darstellen, einschließlich Aussagen über die Überzeugungen und Erwartungen des Unternehmens, sind zukunftsgerichtete Aussagen. Unter anderem enthalten die Geschäftsaussichten und Zitate des Managements in dieser Pressemitteilung sowie die strategischen und operativen Pläne des Unternehmens zukunftsgerichtete Aussagen. Das Unternehmen kann auch schriftliche oder mündliche zukunftsgerichtete Aussagen in seinen regelmäßigen Berichten an die US-amerikanische Börsenaufsichtsbehörde („SEC“) auf den Formularen 20-F und 6-K, in seinem Jahresbericht an die Aktionäre, in Pressemitteilungen usw. machen andere schriftliche Materialien und in mündlichen Erklärungen seiner leitenden Angestellten, Direktoren oder Mitarbeiter gegenüber Dritten. Zukunftsgerichtete Aussagen unterliegen inhärenten Risiken und Ungewissheiten. Mehrere Faktoren können dazu führen, dass die tatsächlichen Ergebnisse wesentlich von den in zukunftsgerichteten Aussagen enthaltenen abweichen, darunter unter anderem die folgenden: die Ziele und Strategien des Unternehmens; die zukünftige Geschäftsentwicklung, Finanzlage und Betriebsergebnisse des Unternehmens; das erwartete Wachstum der holografischen AR-Industrie; und die Erwartungen des Unternehmens hinsichtlich der Nachfrage und Marktakzeptanz seiner Produkte und Dienstleistungen.
Weitere Informationen zu diesen und anderen Risiken finden Sie im Jahresbericht des Unternehmens auf Formular 20-F und im aktuellen Bericht auf Formular 6-K sowie in anderen bei der SEC eingereichten Dokumenten. Alle in dieser Pressemitteilung bereitgestellten Informationen beziehen sich auf das Datum dieser Pressemitteilung. Das Unternehmen übernimmt keine Verpflichtung, zukunftsgerichtete Aussagen zu aktualisieren, es sei denn, dies ist nach geltendem Recht erforderlich.
Originalinhalt anzeigen: https://www.prnewswire.com/news-releases/wimi-hologram-cloud-developed-an-efficient-cgh-technology-based-on-deep-learning-and-neural-networks-301846946. html
QUELLE WiMi Hologram Cloud Inc.
Verwandte Zitate