Deep Learning

Sebuah sistem proyeksi 3D dari UCLA menawarkan cara baru untuk menampilkan gambar volumetrik yang padat tanpa membuat detailnya saling menumpuk. Terobosan ini ditujukan untuk mengatasi crosstalk, yaitu kebocoran cahaya antarlapisan yang selama ini membuat tampilan 3D terlihat buram. Pendekatan tersebut memadukan komputasi digital dan komponen optik pasif dalam satu arsitektur hibrida. Tim yang dipimpin Profesor Aydogan Ozcan dari UCLA Samueli School of Engineering dan California NanoSystems Institute menyebut metode ini sebagai fondasi ringkas untuk hologram generasi berikutnya, pencitraan medis, dan antarmuka realitas virtual. Light Programming untuk Menahan Kebocoran Cahaya Masalah utama pada proyeksi volumetrik tradisional muncul ketika bidang fokus disusun terlalu rapat. Saat lapisan-lapisan itu saling berdekatan, medan cahaya bisa bercampur dan menurunkan ketajaman kedalaman secara signifikan. Untuk menjawabnya, tim UCLA memakai deep learning untuk mengo-optimalkan encoder komputasi digital dan decoder optik fisik yang bersifat pasif. Data visual target diproses oleh jaringan saraf digital yang menerima instruksi eksplisit tentang kedalaman dan koordinat, lalu memadatkan struktur multi-lapis itu menjadi satu pola fase terpadu. Pola tersebut kemudian diarahkan ke rangkaian permukaan difraktif yang dioptimalkan secara struktural. Permukaan ini bekerja sebagai decoder analog yang memanipulasi gelombang cahaya secara fisik dan menyalurkan komponen gambar ke bidang kedalaman yang telah ditentukan. Pendekatan yang mereka sebut sebagai light programming ini membantu menekan kebocoran data antarlapisan. Hasilnya, pemisahan visual tetap bersih meski jarak antarbidang mendekati skala satu panjang gelombang cahaya. Bisa Ditingkatkan hingga 28 Irisan Kedalaman Melalui pemodelan numerik, tim menunjukkan bahwa kerangka ini dapat diperluas untuk menangani pemandangan volumetrik kompleks yang dipisah menjadi 28 irisan aksial independen. Kemampuan ini penting karena banyak sistem 3D kesulitan menjaga kualitas saat jumlah lapisan bertambah. Sistem tersebut juga memiliki penyesuaian dinamis. Operator dapat mengubah posisi kedalaman target dari gambar yang diproyeksikan sesuai kebutuhan tanpa harus mengubah arsitektur fisik intinya. Untuk menguji kelayakan praktis jalur digital-optik ini, para peneliti membangun prototipe perangkat keras dua bidang. Prototipe itu menggunakan decoder optik satu lapis dan bekerja pada spektrum cahaya tampak. Aspek Temuan Jumlah lapisan Hingga 28 irisan kedalaman independen Masalah yang ditangani Crosstalk atau kebocoran cahaya antarlapisan Arsitektur Hibrida, memadukan komputasi digital dan optik pasif Uji perangkat keras Prototipe dua bidang dengan decoder optik satu lapis Pengukuran eksperimen menunjukkan distribusi cahaya yang diproyeksikan sangat sesuai dengan desain target maupun simulasi komputasi. Dalam pengujian itu, sistem juga melampaui sistem optik ruang bebas tanpa bantuan, yang memperkuat klaim stabilitas dan akurasi desain di dunia nyata. Potensi untuk AR, VR, dan Pencitraan Medis Bentuk sistem yang ringkas memberi dasar hemat energi untuk pencitraan volumetrik beresolusi tinggi. Aplikasi yang dibidik tidak berhenti pada tampilan holografik, tetapi juga mencakup headset augmented reality dan virtual reality near-eye. Selain itu, teknologi ini dinilai berpotensi dipakai untuk mikroskopi multi-kedalaman, visualisasi medis 3D secara real-time, dan komputasi optik. Pengembangan lanjutan juga diarahkan pada operasi multispektral untuk proyeksi berwarna penuh, holografi multi-perspektif, serta integrasi decoder multilapis yang dibuat secara fisik agar sesuai dengan form factor manufaktur komersial. Penelitian ini pertama kali dipublikasikan di jurnal Light: Science & Applications. Dengan kombinasi deep learning dan desain optik terprogram, sistem UCLA membuka jalan bagi proyeksi 3D yang lebih padat, lebih bersih, dan lebih mudah diadaptasi untuk perangkat masa depan.

Deep Learning Bantu Proyeksi 3D 28 Lapisan Tetap Tajam, Crosstalk Hampir Hilang