面向基于机器学习的3D计算全息的大深度范围分层全息图数据集
计算机视觉与模式识别
2025-12-25 v1 光学
摘要
基于机器学习的计算全息（ML-CGH）近年来发展迅速，但其进展受到高质量、大规模全息图数据集可用性有限的制约。为解决此问题，我们发布了 KOREATECH-CGH，一个公开数据集，包含 6000 对 RGB-D 图像与复振幅全息图，分辨率范围从 256×256 到 2048×2048，深度范围扩展至角谱法实现宽 3D 场景覆盖的理论极限。为提高大深度范围下的全息图质量，我们引入了振幅投影，一种后处理技术，在保留相位的同时替换每个深度层全息波前的振幅分量。该方法提升了重建保真度，实现了 27.01 dB 的 PSNR 和 0.87 的 SSIM，分别比最近优化的剪影掩模分层方法高出 2.03 dB 和 0.04 SSIM。我们进一步通过使用最先进 ML 模型进行全息图生成和超分辨率的实验，验证了 KOREECH-CGH 的实用性，确认了其在训练和评估下一代 ML-CGH 系统方面的适用性。
引用
@article{arxiv.2512.21040,
title = {A Large-Depth-Range Layer-Based Hologram Dataset for Machine Learning-Based 3D Computer-Generated Holography},
author = {Jaehong Lee and You Chan No and YoungWoo Kim and Duksu Kim},
journal= {arXiv preprint arXiv:2512.21040},
year = {2025}
}