研究人员开发出一种新颖的深度学习方法，可简化全息图的创建，使三维图像直接从用标准相机拍摄的二维照片中生成。这项技术涉及三个深度神经网络序列，不仅简化了全息图生成过程，而且在速度上优于目前的高端图形处理器。在训练阶段之后，它不需要 RGB-D 摄像机等昂贵的设备，因此成本效益很高。这项创新有望应用于高保真三维显示器和车载全息系统，标志着全息技术的重大进步。
研究人员提出了一种利用深度学习从二维彩色图像创建三维全息图的新方法。
全息图提供了物体的三维（3D）视图，其细节程度是二维（2D）图像无法比拟的。三维物体逼真、身临其境的显示效果使全息图在医疗成像、制造和虚拟现实等各个领域都具有难以置信的价值。
传统的全息技术需要记录物体的三维数据及其与光的相互作用，这一过程需要很高的计算能力，并需要使用专门的相机来捕捉三维图像。这种复杂性限制了全息图的广泛应用。
近来，许多用于生成全息图的深度学习方法也被提出。它们可以直接从使用 RGB-D 相机捕获的三维数据中生成全息图，该相机可以捕获物体的颜色和深度信息。这种方法规避了与传统方法相关的许多计算挑战，是一种更容易生成全息图的方法。
用新方法革新全息技术
现在，千叶大学研究生院工程学研究科的下场友吉教授领导的研究团队提出了一种基于深度学习的新方法，它可以直接从使用普通相机捕捉的常规 2D 彩色图像生成 3D 图像，从而进一步简化全息图生成过程。千叶大学工程学研究生院的石井义之和伊藤友义也参与了这项研究，研究成果最近发表在《工程学中的光学与激光》（Optics and Lasers in Engineering）杂志上。
下场教授在解释这项研究背后的原因时说："在实现全息显示的过程中存在几个问题，包括三维数据的获取、全息图的计算成本，以及如何转换全息图像以符合全息显示设备的特性。我们之所以开展这项研究，是因为我们相信深度学习近年来发展迅速，有可能解决这些问题。"
三阶段深度学习过程
所提出的方法采用了三个深度神经网络（DNN），将常规的二维彩色图像转换成可用于将三维场景或物体显示为全息图的数据。第一个 DNN 使用普通相机拍摄的彩色图像作为输入，然后预测相关的深度图，提供有关图像三维结构的信息。然后，第二个 DNN 利用第一个 DNN 创建的原始 RGB 图像和深度图生成全息图。最后，第三个 DNN 会完善第二个 DNN 生成的全息图，使其适合在不同设备上显示。
研究人员发现，所提出的方法处理数据和生成全息图所需的时间优于最先进的图形处理单元。
"我们的方法另一个值得注意的优点是，最终全息图的再现图像可以代表自然的三维再现图像。此外，由于在全息图生成过程中不使用深度信息，因此这种方法成本低廉，而且在训练后不需要 RGB-D 摄像机等三维成像设备，"下场教授在进一步讨论结果时补充道。
未来应用和结论
在不久的将来，这种方法可能会应用于平视显示器和头戴式显示器，以生成高保真三维显示器。同样，它还能彻底改变车载全息平视显示器的生成，使其能够以三维方式向乘客展示有关人员、道路和标志的必要信息。因此，所提出的方法有望为促进无处不在的全息技术的发展铺平道路。
为研究团队取得的这一杰出成就点赞！