WiMi พัฒนา Deep Learning-Based Nonlinear Holographic Image Restoration

กรุงเทพฯ, 18 ก.ย. 2566 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” หรือ “บริษัท”) ผู้ให้บริการเทคโนโลยี Hologram Augmented Reality (“AR”) ชั้นนําระดับโลก ได้ประกาศในวันนี้ว่า การเรียนรู้ของเครื่อง (Deep Learning) ถูกนํามาใช้ในการฟื้นฟูภาพโฮโลแกรมแบบไม่เชิงเส้น บริษัทกําลังสํารวจการประยุกต์ใช้การฟื้นฟูภาพโฮโลแกรมแบบไม่เชิงเส้นบนพื้นฐานของการเรียนรู้ของเครื่องอย่างแข็งขัน เทคโนโลยีนี้ใช้โมเดลโครงข่ายประสาทลึก และโดยการเรียนรู้ข้อมูลโฮโลแกรมจํานวนมาก สามารถเรียนรู้คุณลักษณะของการบิดเบือนแบบไม่เชิงเส้นโดยอัตโนมัติ และทํานายอย่างแม่นยําในระหว่างกระบวนการฟื้นฟู เมื่อเปรียบเทียบกับวิธีการดั้งเดิม วิธีการที่ขับเคลื่อนด้วยข้อมูลสามารถจัดการกับการบิดเบือนแบบไม่เชิงเส้นได้ดีกว่า ปรับปรุงผลการฟื้นฟู และให้ฐานข้อมูลที่แม่นยํามากขึ้นสําหรับการวิเคราะห์และการประยุกต์ใช้โฮโลแกรมในลําดับต่อไป การฟื้นฟูภาพโฮโลแกรมแบบไม่เชิงเส้นบนพื้นฐานของการเรียนรู้ของเครื่องมีคุณค่าการประยุกต์ใช้ที่สําคัญในสาขาการประมวลผลภาพโฮโลแกรม

บทบาทของการฟื้นฟูภาพโฮโลแกรมแบบไม่เชิงเส้นบนพื้นฐานของการเรียนรู้ของเครื่องมีความสําคัญอย่างยิ่ง โดยการเรียนรู้คุณลักษณะแบบไม่เชิงเส้นของภาพและโมเดลของเสียงรบกวน การเรียนรู้ของเครื่องสามารถทําให้เกิดการฟื้นฟูภาพที่แม่นยํามากขึ้นและปรับปรุงคุณภาพและความชัดเจนของภาพโดยเฉพาะอย่างยิ่งสะท้อนให้เห็นในด้านต่อไปนี้:

การเรียนรู้คุณลักษณะ: การเรียนรู้ของเครื่องสามารถเรียนรู้การแทนคุณลักษณะในภาพผ่านโครงข่ายประสาทหลายชั้นเพื่อสกัดคุณลักษณะระดับสูง คุณลักษณะเหล่านี้สามารถอธิบายข้อมูลโครงสร้างและโมเดลของเสียงรบกวนในภาพได้ดีขึ้น ดังนั้นจึงให้พื้นฐานที่แม่นยํามากขึ้นสําหรับการฟื้นฟูภาพ

การสร้างโมเดลแบบไม่เชิงเส้น: การเรียนรู้ของเครื่องสามารถสร้างโมเดลของเสียงรบกวนในภาพโดยการสร้างโมเดลแบบไม่เชิงเส้นที่ซับซ้อน โมเดลแบบไม่เชิงเส้นเหล่านี้สามารถจับการแจกแจงและลักษณะของเสียงรบกวนในภาพได้ดีขึ้น นําไปสู่การกําจัดเสียงรบกวนและการฟื้นฟูภาพที่แม่นยํามากขึ้น

ขับเคลื่อนด้วยข้อมูล: การเรียนรู้ของเครื่องเป็นแนวทางที่ขับเคลื่อนด้วยข้อมูลที่สามารถฝึกฝนและเรียนรู้จากข้อมูลภาพจํานวนมาก ซึ่งทําให้การเรียนรู้ของเครื่องสามารถเรียนรู้โมเดลการฟื้นฟูภาพที่แม่นยํามากขึ้นจากข้อมูลโดยไม่จําเป็นต้องออกแบบอัลกอริทึมที่ซับซ้อนด้วยตนเอง

การฟื้นฟูภาพโฮโลแกรมแบบไม่เชิงเส้นนี้รวมถึงโมดูลหลัก เช่น การเตรียมข้อมูล การสกัดคุณลักษณะ การแปลงแบบไม่เชิงเส้น และภาพที่สร้างขึ้นใหม่ เป็นต้น เริ่มต้นด้วยการปรับปรุงภาพโฮโลแกรมนําเข้า เช่น การกําจัดเสียงรบกวนและการลดขนาด เพื่อปรับปร