Los hologramas han mantenido durante mucho tiempo la promesa de ofrecer experiencias inmersivas tridimensionales (3D), pero los desafíos involucrados en generarlos han limitado su uso generalizado.
Aprovechando los recientes avances en el aprendizaje profundo, investigadores de la Universidad de Chiba proponen ahora un enfoque innovador que utiliza redes neuronales para transformar imágenes en color bidimensionales ordinarias en hologramas 3D.
El enfoque propuesto puede simplificar la generación de hologramas 3D y encontrar aplicaciones en numerosos campos, incluidos la atención sanitaria y el entretenimiento.
Los hologramas que ofrecen una vista tridimensional (3D) de los objetos proporcionan un nivel de detalle que es inalcanzable con las imágenes bidimensionales (2D) normales.
Debido a su capacidad para ofrecer una experiencia realista e inmersiva de objetos 3D, los hologramas tienen un enorme potencial para su uso en diversos campos, incluidos los de imágenes médicas, la fabricación y la realidad virtual.
Los hologramas se construyen tradicionalmente registrando los datos tridimensionales de un objeto y las interacciones de la luz con el objeto.
Sin embargo, esta técnica requiere un gran esfuerzo computacional ya que requiere el uso de una cámara especial para capturar las imágenes en 3D.
Esto dificulta la generación de hologramas y limita su uso generalizado.
Últimamente también se han propuesto muchos métodos de aprendizaje profundo para generar hologramas.
Pueden crear hologramas directamente a partir de los datos 3D capturados utilizando cámaras RGB-D que capturan información tanto de color como de profundidad de un objeto.
Este enfoque evita muchos desafíos computacionales asociados con el método convencional y representa un enfoque más sencillo para generar hologramas.
Ahora, un equipo de investigadores dirigido por el profesor Tomoyoshi Shimobaba de la Escuela de Graduados en Ingeniería de la Universidad de Chiba, propone un enfoque novedoso basado en el aprendizaje profundo que agiliza aún más la generación de hologramas al producir imágenes en 3D directamente a partir de imágenes en color 2D normales capturadas con cámaras comunes.
Al explicar el fundamento de este estudio, el profesor Shimobaba dice:
“Existen varios problemas en la realización de pantallas holográficas, incluida la adquisición de datos 3D, el costo computacional de los hologramas y la transformación de las imágenes de los hologramas para que coincidan con las características de un dispositivo de pantalla holográfica“.
Realizamos este estudio porque creemos que el aprendizaje profundo se ha desarrollado rápidamente en los últimos años y tiene el potencial de resolver estos problemas”.
El enfoque propuesto emplea tres redes neuronales profundas (DNN) para transformar una imagen en color 2D normal en datos que pueden usarse para mostrar una escena u objeto 3D como un holograma.
El primer DNN utiliza una imagen en color capturada con una cámara normal como entrada y luego predice el mapa de profundidad asociado, proporcionando información sobre la estructura 3D de la imagen.
Luego, el segundo DNN utiliza tanto la imagen RGB original como el mapa de profundidad creado por el primer DNN para generar un holograma.
Finalmente, el tercer DNN refina el holograma generado por el segundo DNN, haciéndolo adecuado para su visualización en diferentes dispositivos.
Los investigadores descubrieron que el tiempo que tomaba el enfoque propuesto para procesar datos y generar un holograma era superior al de una unidad de procesamiento de gráficos de última generación.
“Otro beneficio notable de nuestro enfoque es que la imagen reproducida del holograma final puede representar una imagen reproducida natural en 3D.
Además, dado que la información de profundidad no se utiliza durante la generación de hologramas, este enfoque es económico y no requiere dispositivos de imágenes 3D como cámaras RGB-D después del entrenamiento”, añade el profesor Shimobaba, mientras analiza los resultados en mayor detalle.
En un futuro próximo, este enfoque puede encontrar aplicaciones potenciales en pantallas frontales y montadas en pantallas para generar pantallas 3D de alta fidelidad.
Asimismo, puede revolucionar la generación de un head-up display holográfico en el vehículo, que podría presentar la información necesaria sobre personas, carreteras y señales a los pasajeros en 3D.
Por tanto, se espera que el enfoque propuesto allane el camino para aumentar el desarrollo de la tecnología holográfica ubicua.
Fuente: ScienceDirect
Recientemente, Sanctuary AI presentó su mano robótica que ahora es capaz de manipular objetos. (more…)
Especialistas en robótica de la Universidad de Leeds y el University College de Londres han…
El lenguaje de señas es un medio de comunicación sofisticado y vital para las personas…
Según un nuevo estudio dirigido por el Imperial College, una tecnología de navegación que utiliza…
Gemini 2.0 Flash Thinking Experimental es una nueva versión de la IA de Google que…
Las computadoras cuánticas difieren fundamentalmente de las clásicas. En lugar de utilizar bits (0 y…