Les hologrammes, offrant une vue tridimensionnelle (3D) des objets, fournissent un niveau de détail inatteignable par les images bidimensionnelles (2D) classiques. En raison de leur capacité à offrir une expérience réaliste et immersive des objets 3D, les hologrammes détiennent un énorme potentiel d’utilisation dans divers domaines, notamment l’imagerie médicale, la fabrication et la réalité virtuelle.
La génération d’hologrammes reste encore un défi en raison de la complexité computationnelle. Une équipe de chercheurs propose donc une nouvelle approche basée sur l’apprentissage profond pour simplifier cette génération d’hologrammes.
Les hologrammes sont traditionnellement générés en enregistrant les données tridimensionnelles d’un objet et les interactions de la lumière avec l’objet. Cette technique requiert des capacités de calcul très intensive car elle nécessite l’utilisation d’une caméra spéciale pour capturer les images 3D. Ce genre d’approche rend la génération d’hologrammes difficile et limite leur utilisation généralisée.
L’apprentissage profond au service des hologrammes
Récemment, de nombreuses méthodes d’apprentissage profond ont également été proposées pour générer des hologrammes. Elles peuvent créer des hologrammes directement à partir des données 3D capturées à l’aide de caméras RGB-D qui capturent à la fois les informations de couleur et de profondeur d’un objet.
Cette approche contourne de nombreux défis computationnels associés à la méthode conventionnelle et représente une approche plus facile pour générer des hologrammes.
Une nouvelle approche pour la génération d’hologrammes
Une équipe de chercheurs dirigée par le professeur Tomoyoshi Shimobaba de la Graduate School of Engineering, Chiba University, propose une nouvelle approche basée sur l’apprentissage profond qui simplifie encore plus la génération d’hologrammes en produisant des images 3D directement à partir d’images couleur 2D ordinaires capturées à l’aide de caméras ordinaires.
Comment ça marche ?
L’approche proposée utilise trois réseaux neuronaux profonds (DNN) pour transformer une image couleur 2D ordinaire en données qui peuvent être utilisées pour afficher une scène ou un objet 3D sous forme d’hologramme.
Le premier DNN utilise une image couleur capturée à l’aide d’une caméra ordinaire comme entrée, puis prédit la carte de profondeur associée, fournissant des informations sur la structure 3D de l’image. L’image RGB originale et la carte de profondeur créée par le premier DNN sont ensuite utilisées par le deuxième DNN pour générer un hologramme.
Enfin, le troisième DNN affine l’hologramme généré par le deuxième DNN, le rendant adapté à l’affichage sur différents appareils.
En synthèse
Les chercheurs ont constaté que le temps pris par l’approche proposée pour traiter les données et générer un hologramme était supérieur à celui d’une unité de traitement graphique de pointe.
« Un autre avantage notable de notre approche est que l’image reproduite de l’hologramme final peut représenter une image 3D naturelle reproduite. De plus, comme les informations de profondeur ne sont pas utilisées pendant la génération de l’hologramme, cette approche est peu coûteuse et ne nécessite pas de dispositifs d’imagerie 3D tels que les caméras RGB-D après la formation », ajoute le professeur Shimobaba.
À l’avenir, cette approche peut trouver des applications potentielles dans les affichages tête haute et les affichages montés sur la tête pour générer des affichages 3D de haute fidélité.
De même, elle peut révolutionner la génération d’un affichage tête haute holographique embarqué, qui pourrait être en mesure de présenter les informations nécessaires sur les personnes, les routes et les panneaux aux passagers en 3D.
L’approche proposée est donc susceptible de préparer le terrain pour l’augmentation du développement de la technologie holographique omniprésente.
Pour une meilleure compréhension
1. Qu’est-ce qu’un hologramme ?
Un hologramme est une image tridimensionnelle (3D) qui offre un niveau de détail inatteignable par les images bidimensionnelles (2D) classiques. Ils sont généralement créés en enregistrant les données tridimensionnelles d’un objet et les interactions de la lumière avec cet objet.
2. Quels sont les défis de la génération d’hologrammes ?
La génération d’hologrammes nécessite une puissance de calculs intense car elle nécessite l’utilisation d’une caméra spéciale pour capturer les images 3D. Cela rend la génération d’hologrammes difficile et limite leur utilisation généralisée.
3. Comment l’apprentissage profond peut-il aider à générer des hologrammes ?
Les méthodes d’apprentissage profond peuvent créer des hologrammes directement à partir des données 3D capturées à l’aide de caméras RGB-D qui capturent à la fois les informations de couleur et de profondeur d’un objet. Cette approche contourne de nombreux défis computationnels associés à la méthode conventionnelle.
4. Quelle est la nouvelle approche proposée pour la génération d’hologrammes ?
Une équipe de chercheurs propose une nouvelle approche basée sur l’apprentissage profond qui simplifie encore plus la génération d’hologrammes en produisant des images 3D directement à partir d’images couleur 2D ordinaires capturées à l’aide de caméras ordinaires.
5. Quels sont les avantages de cette nouvelle approche ?
Cette approche est plus rapide que l’utilisation d’une unité de traitement graphique de pointe. De plus, l’image reproduite de l’hologramme final peut représenter une image 3D naturelle reproduite. En outre, comme les informations de profondeur ne sont pas utilisées pendant la génération de l’hologramme, cette approche est peu coûteuse et ne nécessite pas de dispositifs d’imagerie 3D tels que les caméras RGB-D après la formation.
Article : « Génération d’hologrammes multi-profondeurs à partir d’images bidimensionnelles par apprentissage profond » – Auteurs : Yoshiyuki Ishii, Fan Wang, Harutaka Shiomi, Takashi Kakue, Tomoyoshi Ito et Tomoyoshi Shimobaba. / Journal : Optics and Lasers in Engineering / DOI: 10.1016/j.optlaseng.2023.107758
Légende illustration principale : Les chercheurs proposent une approche d’apprentissage profond peu coûteuse qui utilise trois réseaux neuronaux pour transformer des images bidimensionnelles capturées à l’aide d’appareils photo ordinaires en hologrammes tridimensionnels. Crédit : Kunal Mukherjee de flickr
