香港大学提出Mesh Holography,用网格模型生成高质量真3D全息显示

PICO 4 Ultra

查看引用/信息源请点击:映维网Nweon

相关成果发表于《Nature Communications》。

映维网Nweon 2026年08月03日)计算全息(Computer Generated Holography,CGH)一直被认为是实现下一代VR、AR和空间显示的重要技术方向。相比传统立体显示,全息显示能够重建完整光波信息,从而提供自然的聚焦、视差以及连续深度等视觉线索。

不过,高质量全息显示始终面临一个难题:如何在保证计算效率的同时,准确还原复杂三维场景。

目前主流CGH方案大多基于RGB-D、点云、分层图像或光场等三维表示方式。这些方法虽然各有优势,但面对复杂几何结构、纹理细节以及连续离焦等场景时,仍存在不同程度的限制。

针对这一问题,香港大学研究团队提出了一套名为Mesh Holography的新框架,通过直接利用Mesh网格模型生成全息波场,并结合学习式显示校准,在计算效率与成像质量之间取得平衡。相关成果发表于《Nature Communications》。

香港大学提出Mesh Holography,用网格模型生成高质量真3D全息显示

◐ 从Mesh直接生成全息波场

相比点云或RGB-D,Mesh一直是计算机图形学最成熟的三维内容表达方式之一,不仅能够完整描述几何结构,同时还能保留纹理、光照以及遮挡关系。

然而,将Mesh直接应用到计算全息并不容易。

由于全息显示需要恢复的是完整波前,而不仅仅是颜色信息,传统Mesh渲染流程很难直接转换为满足波传播要求的复值波场。

为此,研究团队提出了一套新的渲染流程,通过纹理烘焙结合透视到正交空间变换(Perspective-to-Orthographic Space Wavefront Recording Plane,POS-WRP),将Mesh场景映射到空间光调制器(SLM)所在的正交空间,并生成同时包含振幅和相位信息的目标波场。

香港大学提出Mesh Holography,用网格模型生成高质量真3D全息显示

论文表示,这种方式能够在保留场景几何、纹理和深度关系的同时,减少全息重建过程中的伪影,并获得更加平滑的相位分布。

◐ 不仅优化亮度,也优化相位

生成目标波场之后,还需要进一步编码为能够在SLM显示的仅相位全息图。

传统CGH优化通常主要关注重建图像的亮度,而对相位约束相对有限,这容易导致离焦模糊、连续深度等三维视觉线索受到影响。

针对这一问题,研究团队提出了Phase-Aware Gradient Descent(PAGD)优化方法。

不同于传统方法,PAGD不仅对振幅进行优化,同时引入了相位约束,并结合Camera-in-the-Loop(CITL)学习式传播模型,对真实光学系统进行校准,使优化过程能够更贴近实际显示设备。

香港大学提出Mesh Holography,用网格模型生成高质量真3D全息显示

研究团队表示,这种方式有助于提高重建图像的对比度,同时改善连续深度和离焦效果。

◐ 支持视点依赖的三维全息显示

除了提升单视点显示质量外,论文还进一步实现了视点依赖(View-dependent)的全息显示。

系统利用闪耀光栅编码多个视点对应的复值波场,并结合傅里叶平面光瞳滤波,使观察者在不同视角下能够获得对应的图像信息,从而正确呈现视差、遮挡以及连续离焦等三维视觉效果。

香港大学提出Mesh Holography,用网格模型生成高质量真3D全息显示

研究团队随后搭建了桌面级全息显示原型进行验证。

实验结果显示,相比现有方法,该框架能够更准确地恢复复杂Mesh场景中的纹理、深度关系以及视角依赖效果,同时在前景、背景之间呈现更加自然的离焦变化。

◐ 总结

近年来,NeRF、3D Gaussian Splatting等新型三维表示快速发展,但Mesh依然是游戏、工业设计、数字孪生以及内容制作中应用最广泛的资产格式之一。

Mesh Holography并没有重新设计一种新的三维表示,而是尝试打通Mesh内容与计算全息之间的转换流程,并通过学习式校准提高真实设备上的显示效果。这意味着未来已有的大量Mesh资源,有望更加直接地应用到全息显示系统中,而无需重新构建专门的数据表示。

当然,论文也指出,目前系统仍受到空间光调制器分辨率、空间带宽积、刷新率以及计算开销等因素限制,距离实时、全彩、高分辨率动态全息显示还有一定距离。但从研究方向来看,随着AI优化与光学硬件持续发展,将成熟的图形学内容生成流程与计算全息结合,正在成为这一领域值得关注的发展趋势。

本文链接https://news.nweon.com/142127
转载须知:转载摘编需注明来源映维网并保留本文链接
素材版权:除额外说明,文章所用图片、视频均来自文章关联个人、企业实体等提供
QQ交流群苹果Vision  |  Meta Quest  |  AR/VR开发者  |  映维粉丝读者
XR Research Wechat Group/微信群

您可能还喜欢...

资讯