龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：清华大学
申请日：2023-12-27
公开（公告）日：2024-05-03
公开（公告）号：CN117970762A
主分类号：G03H1/08
分类号：G03H1/08;G06T17/00;G06N3/0464;G06N3/08
优先权：
专利状态码：在审-实质审查的生效
法律状态：2024.05.21#实质审查的生效;2024.05.03#公开
摘要：本申请涉及计算成像技术领域，特别涉及一种基于波动光学的全息计算方法、装置、电子设备及介质，其中，方法包括：采集场景在多个观测位置下的RGB真值图和对应的观测位姿信息；构造参考观测位置下的第一特征图体空间及对应的第一可学习特征值；选择训练观测位置，计算观测位置之间的旋转矩阵并计算第二特征图体空间，以得到对应的第二可学习特征值；构建多层卷积神经网络，输出训练观测位置下的全息图，并计算训练观测位置下的重建图像，以计算损失函数，直至完成训练得到最终卷积神经网络，以计算任意观测位置下的全息图。由此，解决了相关技术中，由于受到视点数目和计算资源的限制，影响全息图计算的实时性，且降低了处理复杂场景的能力等问题。
主权项：1.一种基于波动光学的全息计算方法，其特征在于，包括以下步骤：采集场景在多个观测位置下的RGB真值图和对应的观测位姿信息；从所述多个观测位置中选择参考观测位置，根据所述参考观测位置及对应的第一观测位姿信息构造所述参考观测位置下的第一特征图体空间及对应的第一可学习特征值；在除所述参考观测位置之外剩余的多个观测位置中选择训练观测位置，根据所述训练观测位置对应的第二观测位姿信息和所述第一观测位姿信息计算观测位置之间的旋转矩阵，并根据所述第一特征图体空间和所述旋转矩阵计算所述训练观测位置的第二特征图体空间，以得到所述第二特征图体空间对应的第二可学习特征值；基于所述第二可学习特征值构建多层卷积神经网络，输出训练观测位置下的全息图，并根据所述全息图计算所述训练观测位置下的重建图像，以根据所述重建图像和所述训练观测位置下的RGB真值图计算损失函数，直至所有观测位置完成训练，得到最终卷积神经网络，以计算任意观测位置下的全息图。
全文数据：
权利要求：
百度查询： 清华大学 基于波动光学的全息计算方法、装置、电子设备及介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号