科研之友
微信
新浪微博
Facebook
分享链接
摘要
压缩光场显示具有结构简单紧凑、显示空间分辨率高的优点。但求解压缩光场显示图案的迭代算法存在计算量大的问题。随着人工智能技术的发展，基于深度学习的图像生成算法也逐渐应用于三维显示中。提出将原本用于计算机视觉中图像分割任务的U-Net作为优化压缩光场显示图案的网络模型。根据给定的观看角度生成几组经过数据增强的目标光场数据集作为U-Net的训练集；当U-Net收敛后，将训练完成的U-Net用于生成重建测试目标光场的显示图案。训练和测试的结果证明，相比基于堆叠CNN和迭代算法的方法，所提出的基于U-Net的压缩光场显示图案生成方法具有重建质量更高、计算资源少的优势。
