基于深度学习的计算机生成全息图研究.pdf

摘要

压缩光和纠缠光是量子光学中非常重要的资源，由于其在多个领域的应用前景

而备受研究者的关注。最初对这两种光的研究聚焦在基横模高斯光束上，但是随着

量子信息处理领域的发展，基模已无法满足需求。与基模相比，高阶模的空间分布

更加复杂且具有更高的自由度，因此高阶模具有更大的优势，所以学者们开始将目

光转移到了高阶模的制备上。高阶模可以通过基于空间光调制器的光束整形系统进

行制备，其关键是生成加载在空间光调制器上的全息图。

在生成全息图的众多方法中，计算机生成全息图技术备受瞩目，而计算机生成

全息图的优化算法又是当今的研究热点。近年来，随着深度学习技术的兴起，越来

越多的研究者开始将深度学习运用于计算机生成全息图中，以优化计算机生成全息

图的算法。但是目前应用于计算机生成全息图的模型几乎全是基于卷积神经网络的，

还有很多优秀的深度学习模型值得我们去尝试。

基于此，本文依托于实际光学整形系统，研究了基于VisionTransformer网络模

型的深度学习计算机生成全息图方案。具体包括：

1

（）将光学整形系统与计算机生成全息图技术相融合，并使用深度学习技术进

行优化，出了一种基于VisionTransformer的计算机生成全息图模型。在该模型中，

创新性地加入了光束整形系统的物理过程，使得计算机生成全息图与硬件相结合。

2Mnist

（）对出的模型使用手写数字数据集进行训练，接着使用训练完毕的

模型对测试集进行预测以生成全息图，再利用全息图进行目标光场的重建。重建后

的图像验证了该模型在生成全息图以实现目标光场重建问题上的可行性。使用SSIM

指标对重建图像的质量进行评价，结果表明测试集所有图像对应的全息图的重建图

像的平均SSIM值为0.751。

本文的相关工作丰富了深度学习应用于计算机生成全息图领域的研究，为高阶

模的制备供了一个新的解决方案，同时也为未来如何生成更高质量的全息图供

了一个新的思考方向。

关键词：计算机生成全息图；深度学习；VisionTransformer；光束整形系统

I

目录

摘要I

ABSTRACTII

1绪论1

1.1研究背景及意义1

1.2研究现状3

1.2.1计算机生成全息图的研究现状3

1.2.2基于深度学习的计算机生成全息图现状4

1.3研究内容及章节安排6

2相关知识与技术介绍9

2.1概述9

2.2计算机生成全息图介绍9

2.2.1计算机生成全息图原理9

2.2.2计算机生成全息图步骤10

2.2.3计算机生成全息图优点10

2.2.4计算机生成全息图总结11

2.3Transformer网络模型介绍11

2.3.1编码器-解码器架构12

2.3.2注意力机制13

2.3.3位置编码15

2.3.4Transformer网络模型总结15

2.4VisionTransformer网络模型介绍15

2.4.1VisionTransformer网络模型结构16

2.4.2VisionTransformer网络模型优势17

2.4.3VisionTransformer网络模型总结18

2.5本章小结18

3基于VisionTransformer的计算机生成全息图模型19

3.1引言19

3.2光束整形系统介绍19

3.3模型建立20

3.4模型结构设计21