CV-HoloSR：通过体上采样三维场景实现全息图到全息图的超分辨率
图形学
2026-04-14 v1 光学
摘要
现有的全息图超分辨率（HSR）方法主要关注视角扩展。将它们适配于体空间上采样会引入严重的二次深度畸变，降低3D聚焦精度。我们提出CV-HoloSR，一个专为在体上采样期间保持物理一致的线性深度缩放而设计的复值HSR框架。该模型基于复值残差密集网络（CV-RDN），并通过一种新颖的深度感知感知重建损失进行优化，有效抑制过度平滑以恢复锐利的高频干涉图案。为支持这一点，我们引入了一个全面的、分辨率高达4K的大深度范围数据集。此外，为了克服预训练编码器在扩展到大规模目标体积时固有的深度偏差，我们集成了一种利用复值低秩适配（LoRA）的参数高效微调策略。大量的数值和物理光学实验证明了我们方法的优越性。CV-HoloSR在感知真实感（LPIPS为0.2001）上比最先进的基线提高了32%。此外，我们定制的LoRA策略仅需200个样本，将训练时间减少了75%以上（从22.5小时降至5.2小时），同时成功地将预训练骨干网络适配到未见过的深度范围和新的显示配置。
引用
@article{arxiv.2604.10393,
title = {CV-HoloSR: Hologram to hologram super-resolution through volume-upsampling three-dimensional scenes},
author = {Youchan No and Jaehong Lee and Daejun Choi and Dae Youl Park and Duksu Kim},
journal= {arXiv preprint arXiv:2604.10393},
year = {2026}
}
备注
33 pages, 11 figures