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，因为角度传播已纳入网络中。 自全息的复杂性与使用了多少深度层无关。 这是通过从 3D 对象的不同表示中随机重建全息图并使用它们在一层上创建全息图来实现的。 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