基于复杂值可变形注意力的解卷框架用于高质量计算机生成全息图生成
计算机视觉与模式识别
2025-09-01 v1
摘要
计算机生成全息术（CGH）由于基于深度学习的算法而受到广泛关注。然而，由于其非线性且问题状态化的特性，仍面临实现准确稳定重构的挑战。具体而言，（i）广泛使用的端到端网络将重构模型视为黑盒，忽略了底层物理关系，这降低了可解释性和灵活性。（ii）基于卷积神经网络的CGH算法具有受限的感受野，阻碍了其捕获长程依赖和全局上下文的能力。（iii）基于角谱方法（ASM）的模型受限于有限近场。在本文中，我们提出了一种深度解卷网络（DUN），将梯度下降分解为两个模块：自适应带宽保持模型（ABPM）和相位域复杂值去噪器（PCD），提供了更大的灵活性。ABPM允许其工作距离远于基于ASM的方法。同时，PCD利用其复杂值可变形自注意力模块捕获全局特征并提升性能，实现PSNR超过35 dB。在模拟数据和真实数据上的实验表明，本文方法取得了最新的成果。
引用
@article{arxiv.2508.21657,
title = {Unfolding Framework with Complex-Valued Deformable Attention for High-Quality Computer-Generated Hologram Generation},
author = {Haomiao Zhang and Zhangyuan Li and Yanling Piao and Zhi Li and Xiaodong Wang and Miao Cao and Xiongfei Su and Qiang Song and Xin Yuan},
journal= {arXiv preprint arXiv:2508.21657},
year = {2025}
}