pipette
ENEnglish

Structurally guided wavefront neural encoder for broad-range generalizable 3D holography

Yanan Zhang, Xingpeng Yan, Jiaqi Li, Zijian Shi, Yang Yu, Yang Zhang, Tao Jing

Revista con revisión por paresUso en el mundo real

En palabras de los autores

Abstract Deep learning has advanced computer-generated holography, but learned models remain coupled to fixed wavelengths and distances, limiting generalization. Here we present the structurally guided wavefront neural encoder (SGWN-Encoder), which integrates diffraction physics with neural networks and employs a structural propagation strategy that analytically strips the parameter-sensitive global phase. This reveals a scale-normalized description of diffraction, letting the network learn transferable light-field evolution rules and generalize across propagation distances and visible wavelengths by direct inference. A dataset-free paradigm built on statistically diverse random fields teaches the model the structural mapping from complex amplitude to phase-only holograms instead of external image distributions. Without fine-tuning, a single SGWN-Encoder maintains a distance-averaged RGB PSNR of 31.9 dB and SSIM of 0.91 over the primary 2–200 mm range, retaining reconstruction up to 500 mm. Numerical and optical experiments on full-color 3D scenes establish a physically grounded route toward adaptive holographic displays.

Resultado principalEl resumen no menciona limitaciones.

En palabras simples Resumen con IA

Los modelos actuales de aprendizaje profundo para holografía están atados a longitudes de onda y distancias específicas, lo que restringe su uso. Los autores crearon el SGWN-Encoder, que combina la física de la difracción de la luz con redes neuronales. Este enfoque elimina parámetros de fase que dependen de la distancia y la longitud de onda, permitiendo que el modelo funcione en diferentes condiciones. El modelo fue entrenado usando campos aleatorios en lugar de imágenes reales, aprendiendo a mapear amplitud de luz a patrones de fase de hologramas. Sin ajustes, un modelo logró 31.9 dB de PSNR y 0.91 de SSIM en distancias de 2–200 mm, funcionando hasta 500 mm.

Escrito por Kimi K2.5 usando solo el abstract de arriba. Jev verificó que cada oración esté respaldada por las oraciones del abstract que cita y eliminó las que no. Pasá el cursor por una oración para ver de dónde sale.

Apareció: miércoles, 18 de noviembre. Nature Communications. Revista con revisión por pares.

DOI: 10.1038/s41467-026-79408-6