面向计算机生成全息图的稳健且可泛化的基于 Gerchberg-Saxton 的物理启发神经网络：一个敏感性分析框架
计算机视觉与模式识别
2025-05-02 v1 光学
摘要
计算机生成全息图（CGH）在全息增强现实（AR）、3D 显示、系统神经科学和光镊等应用中发挥着重要作用。CGH 的根本挑战在于解决从强度测量中恢复相位的逆问题。物理启发神经网络（PINNs），特别是基于 Gerchberg-Saxton 的 PINNs（GS-PINNs），提升了相位恢复的能力。然而，它们的性能强烈依赖于前向模型（FMs）及其超参数（FMHs），这限制了泛化能力，使基准测试复杂化，并阻碍了硬件优化。我们提出了一个基于 Saltelli 对 Sobol 方法扩展的系统性敏感性分析框架，以量化 FMH 对 GS-PINN 性能的影响。我们的分析表明，SLM 像素分辨率是影响神经网络敏感性的首要因素，其次是像素间距、传播距离和波长。与傅里叶全息相比，自由空间传播前向模型表现出更优越的神经网络性能，提供了增强的参数化和泛化能力。我们引入了一个结合了性能一致性、泛化能力和超参数扰动鲁棒性的复合评估指标，为跨 CGH 配置建立了统一的基准测试标准。我们的研究通过为前向模型选择、神经网络架构和性能评估提供具体指导，将物理启发深度学习理论与实际 CGH 实现联系起来。我们的贡献推动了稳健、可解释和可泛化的神经网络在各种全息应用中的发展，为 CGH 研究和实现中的循证决策提供了支持。
引用
@article{arxiv.2505.00220,
title = {Towards Robust and Generalizable Gerchberg Saxton based Physics Inspired Neural Networks for Computer Generated Holography: A Sensitivity Analysis Framework},
author = {Ankit Amrutkar and Björn Kampa and Volkmar Schulz and Johannes Stegmaier and Markus Rothermel and Dorit Merhof},
journal= {arXiv preprint arXiv:2505.00220},
year = {2025}
}