BEIJING, Sept. 20, 2023 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” o ang “Kompanya”), isang nangungunang global na tagapagkaloob ng Teknolohiya ng Augmented Reality (“AR”) ng Hologram, ay inanunsyo ngayong araw na ang isang bagong solusyon, malalim na pagkatuto batay sa network ng rekonstruksyon ng hologram, ay naunlad na magrerewolusyonisa ang paraan ng muling paglikha ng mga imahe ng hologram. Pinaghihiwalay ng teknolohiya ang mga limitasyon ng tradisyonal na mga pamamaraan sa pamamagitan ng paggawa ng rekonstruksyon ng imahe na walang ingay nang walang nakaraang kaalaman sa pamamagitan ng isang end-to-end na malalim na framework ng pagkatuto na maaaring hawakan ang imaging ng phase pati na rin ang paglikha ng depth map. Ginagamit ng network ng rekonstruksyon ng hologram ng kompanya ang isang gitnang-lalim na malalim na residual network na istraktura, na nagpapatupad ng input ng imahe ng hologram, pagkuha ng tampok at rekonstruksyon sa pamamagitan ng tatlong functional na bloke.
Una, ang input na module ay maaaring tumanggap ng isang amplitude na bagay, isang phase na bagay, o isang hologram na naglalaman ng parehong bahagi ng bagay. Upang umangkop sa iba’t ibang uri ng mga input, inihanda ng network ang kaukulang dataset sa bawat rekonstruksyon at nagsanay nang independiyente. Susunod, ginagamit ng tampok na pagkuha ng module ang isang gitnang-lalim na malalim na residual network na binubuo ng isang convolutional layer, isang bulk normalization layer at isang di-linear na layer ng aktibasyon. Lubhang pinalalakas ng pagpapakilala ng mga residual unit ang bilis at katumpakan ng network, at ang pag-uulit ng mga residual unit sa maraming lalim ay lalong pinalalawak ang kakayahan sa representasyon ng data. Sa wakas, binubuo ang module ng rekonstruksyon ng isang sub-pixel convolution layer, na pinalalaki ang nabawasan na gitnang imahe sa orihinal nitong laki sa pamamagitan ng isang paraan ng sub-pixel convolution. Lubhang binabawasan ng pagbawi ng mga imahe sa orihinal na resolusyon ang pagkukuwenta at oras.
Nasa puso ng bagong network ng rekonstruksyon ng hologram ng WiMi ang isang malalim na pag-aaral na nakabatay sa pagsasagawa at pagkuha ng tampok ng mga kakayahan ng malalim na neural network. Ang lakas ng malalim na pagkatuto ay nasa sa kanyang flexibility at makapangyarihang mga algorithm sa pagsasanay na maaaring ilapit ang anumang tuloy-tuloy na function. Sa pamamagitan ng data-driven na paraan, ang network ng rekonstruksyon ng hologram ay awtomatikong matututunan ang representasyon ng tampok at proseso ng rekonstruksyon ng mga imahe ng hologram nang hindi umaasa sa mapagod na nakaraang kaalaman at manu-manong operasyon. Ito ay nagdadala ng dakilang potensyal at kaginhawahan sa application ng teknolohiya ng hologram.
Ang proseso ng malalim na pagkatuto batay sa network ng rekonstruksyon ng hologram ng WiMi ay ang mga sumusunod:
Paghahanda ng data: Una, inihanda ang isang dataset ng hologram para sa pagsasanay at pagsusuri. Maaaring kabilang sa dataset ang mga amplitude na bagay, mga phase na bagay, o mga hologram na naglalaman ng parehong amplitude at impormasyon ng phase.
Pagsasanay ng network: Sanayin ang network ng rekonstruksyon ng hologram gamit ang inihandang dataset. Sanayin ang network upang lumikha ng tumpak na muling nilikha na mga imahe sa pamamagitan ng paggamit ng mga imahe ng hologram bilang input. Sa panahon ng pagsasanay, ang angkop na mga function ng pagkawala ay ginagamit upang sukatin ang pagkakaiba sa pagitan ng muling nilikha na imahe at tunay na imahe, at ginagamit ang mga optimization algorithm tulad ng gradient descent upang i-update ang mga timbang at mga parameter ng network.
Pagkuha ng tampok: Sa yugto ng pagpapatupad, i-input ang imahe ng hologram na dapat muling ilikha. Maaaring maging amplitude na bagay, phase na bagay, o hologram na imahe na naglalaman ng parehong impormasyon ang imahe. I-extract ang mga pangunahing tampok mula sa mga imahe ng hologram sa pamamagitan ng layer ng pagkuha ng tampok ng network at i-encode ang mga ito.
Paglikha ng muling nilikha na imahe: Ang data na may tampok ay binabalik sa isang muling nilikha na imahe sa pamamagitan ng layer ng rekonstruksyon ng network. Gagamitin ang mga operasyon tulad ng mga residual unit, mga convolutional layer, at mga sub-pixel convolutional layer sa network upang lumikha ng mga imaheng may mataas na kalidad nang unti-unti. Binabalik ng mga operasyong ito ang orihinal na resolusyon ng imahe at inaalis ang hindi kanais-nais na zero-order at kambal na mga imahe.
Resulta ng output: Ang mga nalikha na muling nilikha na mga imahe ay i-o-output bilang mga pinal na resulta. Magpapakita ang mga imaheng ito ng mataas na antas ng katumpakan, kalinawan at detalye, na sumasalamin sa amplitude at impormasyon ng phase ng orihinal na hologram. Maaaring gamitin ang mga muling nilikha na imaheng ito para sa karagdagang pagsusuri, pagsusuri at mga application.
Ang buong proseso ng pagpapatupad ay end-to-end, na may lahat ng hakbang mula sa input hanggang sa pinal na muling nilikha na imahe na ginagawa sa isang network ng rekonstruksyon ng hologram. Awtomatikong natututunan at kinukuha ng network ang mga tampok mula sa imahe sa pamamagitan ng mga pamamaraan ng malalim na pagkatuto at lumilikha ng mga resulta ng muling paglikha na mataas ang kalidad. Pinapalitan ng data-driven na paraang ito ang pag-asa sa nakaraang kaalaman sa mga tradisyonal na pamamaraan ng rekonstruksyon ng hologram at nilalampasan ang mga hamon ng pagpoproseso ng ingay, imaging ng phase, at malalim na paglikha ng imahe. Ang susi sa buong proseso ng pagpapatupad ay nasa pagsasanay at pag-optimize ng network. Sa isang malaking dataset ng pagsasanay at angkop na istraktura ng network, matututunan ng network ng rekonstruksyon ng hologram ang mga kumplikadong tampok sa hologram at lilikha ng mataas na kalidad na mga muling nilikha na imahe. Nangangailangan ang pagsasanay ng network ng maraming mga mapagkukunan sa pagkukuwenta at oras, ngunit kapag natapos na ang pagsasanay, magiging napakabisa ng proseso ng muling paglikha ng imahe sa yugto ng pagpapatupad. Pinapahusay ng pag-optimize sa istraktura ng network, pagpili ng angkop na mga function ng pagkawala at mga algorithm sa optimization, at pagdaragdag sa pagkakaiba at dami ng data sa pagsasanay ang performance at katatagan ng network ng rekonstruksyon ng hologram.
Bukod pa rito, mayroong pakinabang ng pagiging naaangkop at pagiging scalable ang network ng rekonstruksyon ng hologram batay sa malalim na pagkatuto ng WiMi. Dahil sa data-driven na katangian ng network, maaari itong i-adapt sa iba’t ibang uri ng mga input ng hologram at ma-train at i-tune kung kinakailangan. Nangangahulugan ito na magagamit ang teknolohiya sa iba’t ibang mga scenario ng application, kabilang ang medical imaging, pagsusuri sa industriya, at virtual reality. Kung ang rekonstruksyon ay isang solong bagay o ang paglikha ng ganap na naka-focus na mga imahe at mga depth map ng maraming seksyon na mga bagay, maaaring matugunan ng network ng rekonstruksyon ng hologram ang mga pangangailangan ng iba’t ibang mga application.
Sa larangan ng medisina, malaki ang potensyal para sa application ng mga network ng rekonstruksyon ng hologram. Nagkakaloob ang mga tradisyonal na paraan ng pag-iimahe sa medisina, tulad ng mga scan ng CT at MRI, ng detalyadong impormasyon sa anatomy ngunit limitado sa mga fine na istraktura at impormasyon sa phase sa ilang mga kaso. Maaaring magbigay ang holography ng mas kumpleto at tumpak na impormasyon sa imahe, na makakatulong sa mga doktor na gumawa ng mas tumpak na mga pagsusuri at paggamot. Sa mga network ng rekonstruksyon ng hologram batay sa malalim na pagkatuto, naging mas mabisa at tumpak ang proseso ng muling paglikha ng mga imahe sa medisina, na inaalis ang pangangailangan para sa manu-manong mga operasyon at kumplikadong mga hakbang sa pagkukuwenta, na nagdadala ng mas malaking kaginhawahan at katumpakan sa pagsusuri sa medisina.
Sa pagsusuri sa industriya, maaaring gamitin ang mga network ng rekonstruksyon ng hologram para sa pagsusuri sa kalidad, pagsusuri sa produkto at pagsusuri sa depekto. Habang karaniwang nangangailangan ang mga tradisyonal na paraan ng pagsusuri sa industriya ng kumplikadong kagamitan at manu-manong mga operasyon, maaaring maisakatuparan ng teknolohiya ng hologram na pinagsama sa kakayahan ng malalim na pagkatuto ang mga proseso ng pagsusuri at pagsusuri sa real-time at mabisa. Sa pamamagitan ng mga network ng rekonstruksyon ng hologram, mas mabilis na maii-identify ng mga kumpanya sa industriya ang mga depekto o problema sa kanilang mga produkto, pinalalakas ang bisa ng produksyon at kalidad ng produkto.
May malawak na puwang para sa pananaliksik at pagpapaunlad ang network ng rekonstruksyon ng hologram batay sa malalim na pagkatuto ng WiMi. Sa patuloy na ebolusyon ng teknolohiya ng malalim na pagkatuto at pagbuti ng kapangyarihan sa pagkukuwenta ng hardware, maaari nating maunawaan ang karagdagang pagbuti ng network ng rekonstruksyon ng hologram sa katumpakan, bisa at kapraktikan. Sa parehong oras, maaari ring pagsamahin ng teknolohiya ang mga teknolohiya mula sa iba pang mga larangan, tulad ng computer vision at natural language processing, upang bumuo ng mas makapangyarihang at kumpletong mga application. Sa kabuuan, ang matagumpay na pagpapaunlad ng network ng rekonstruksyon ng hologram batay sa malalim na pagkatuto ng WiMi ay nagmarka sa pagpasok ng teknolohiya ng hologram sa isang ganap na bagong yugto. Hindi lamang mayroong mataas na katumpakan at bisa ang teknolohiya, ngunit mayroon ding malawak na saklaw ng potensyal sa application. Sa patuloy na pag-unlad ng teknolohiya at paglawak ng mga application, magdadala ang network ng rekonstruksyon ng hologram ng higit pang mga inobasyon at pagkakataon sa iba’t ibang mga industriya, at itutulak ang teknolohiya ng hologram sa isang mas maningning na hinaharap.
Tungkol sa WIMI Hologram Cloud
Ang WIMI Hologram Cloud, Inc. (NASDAQ:WIMI) ay isang tagapagkaloob ng kumpletong teknikal na solusyon ng cloud ng hologram na nakatuon sa mga propesyonal na lugar kabilang ang software ng holographic AR automotive HUD, 3D holographic pulse LiDAR, ulo-nakasuot na magaan na field na kagamitan ng hologram, holographic semicond
