一种基于衍射模型的神经网络，用于基于层的无监督计算机生成全息术

能够实现实时全息显示的基于学习的计算机生成全息术 (CGH) 已显示出巨大的潜力。 受监督的 CGH 需要大量目标图像及其相应的全息图。 我们提出了一个基于 3D 相位全息图衍射模型的神经网络框架（自全息）。 神经网络可以在没有标记数据集的情况下进行无监督训练，因为包含了角光谱传播。 自全息图的复杂性与深度层无关，因为它使用 3D 对象的不同表示并将全息图随机重建为其中之一。 自全息使用深度和振幅图作为输入来创建 3D 或 2D 全息图。 我们展示了具有良好 3D 外观的 3D 重建，并展示了自全息在数值和光学实验中的普遍性和适用性。

来源和详细信息：
https://opg.optica.org/oe/fulltext.cfm?uri=oe-30-25-44814&id=521932