Rate-Adaptive Vector-Quantized HoloNet (RAVQ-HoloNet), ni mfumo wa deep learning unaokandamiza sehemu changamani za mawimbi ya holografia kuwa misimbo ya latent iliyo tofauti tofauti, unaoweza kupeleka misimbo hii kwa ukubwa mbalimbali wa codebook kulingana na mahitaji ya bandwidth na kutengeneza hologramu ya awamu pekee upande wa mpokeaji. Mfumo unaunganisha usanifu wa kihierarkia wa VQ-HoloNet encoder–decoder na urekebishaji wa codebook wa Seq2Seq pamoja na ANS entropy coding. Kwa hivyo viwango kadhaa vya ukandamizaji vinaungwa mkono ndani ya modeli moja iliyofunzwa badala ya kuhifadhi mitandao tofauti kwa kila kiwango cha biti.

Utafiti ulichunguza mipangilio miwili kwenye seti ya data ya DIV2K: VQ-HoloNet (low) kwa kiwango cha chini cha biti na VQ-HoloNet (ultra low) inayopunguza zaidi nafasi ya latent ili kufikia viwango vya chini zaidi. Katika matokeo ya Set1, modeli ya low ilipata PSNR ya 29,43 dB kwa 1,79 Bpp, wakati DPRC High Quality iliyolinganishwa ilitumia 3,50 Bpp kupata 29,67 dB. Kwa modeli ya low, faida ya −%33,91 BD-Rate na +1,02 dB BD-PSNR imeripotiwa kwa kutumia mikunjo ya rate–distortion.

Utafiti pia ulionyesha mifumo ya awamu kwenye Spatial Light Modulator (SLM) halisi na kutoa ujenzi upya wa optiki wa kimwili. Katika majaribio haya, modeli ilionyesha contrast kubwa na kingo kali zaidi za vitu ikilinganishwa na SGD+JPEG na DPRC kwa takriban 0,5 Bpp. Hata hivyo kazi imezuiliwa kwenye holografia ya 2D; njia za RGB zilichakatwa kwa modeli tofauti na urefu wa wimbi pamoja na umbali wa propagation wa kifaa cha maabara vilitofautiana na masharti ya simulation. Kwa hiyo, matokeo hayapaswi kutafsiriwa kama utendaji uliothibitishwa moja kwa moja kwa mifumo yote ya 3D AR/VR ya wakati halisi.

RAVQ-HoloNet ni Nini?

RAVQ-HoloNet ni mfumo wa ukandamizaji wa holografia wa hierarchical vector quantization unaounganisha utengenezaji wa hologramu na ukandamizaji wake katika mnyororo mmoja unaoweza kujifunza na kufanya kazi kwa viwango tofauti vya biti kupitia mtandao mmoja uliofunzwa kwa kubadili ukubwa wa codebook.

Katika uonyeshaji wa holografia, si mwangaza wa picha pekee ulio muhimu, bali pia muundo wa awamu ya wimbi la mwanga. Hivyo mbinu za jumla za ukandamizaji kama JPEG, H.264 na zinazofanana zilizoundwa kwa picha za kawaida zinaweza kuharibu sana mifumo ya awamu ya holografia ya masafa ya juu. Hata kosa dogo kwenye muundo wa awamu linaweza kusababisha uharibifu unaoonekana kwenye ndege ya ujenzi upya baada ya propagation.

Kwa hiyo lengo la utafiti si tu “kupunguza ukubwa wa faili la hologramu”. Mfumo hushughulikia ndani ya usanifu mmoja utengenezaji wa hologramu ya awamu pekee inayolingana na propagation ya kimwili, quantization ya uwakilishi wa latent, marekebisho ya kiwango cha biti cha usafirishaji na ujenzi upya upande wa mpokeaji, kuanzia picha ya kuingiza au hologramu changamani iliyopo.

Hatua ya kwanza: kutengeneza hologramu changamani

Iwapo ingizo ni picha ya intensity, kwanza hubadilishwa kuwa amplitude lengwa \(A_t\) kwa inverse gamma correction na kutoa square root. U-Net iliyofunzwa awali huzalisha awamu ya kuanzia \(P_t\). Amplitude lengwa na awamu ya kuanzia huunda kwa pamoja sehemu changamani ya mwanga kwenye ndege ya kitu.

Sehemu hii kisha huenezwa kwenye ndege ya hologramu kwa kutumia bandwidth-limited Angular Spectrum Method (ASM). Matokeo ni amplitude \(A_h\) na awamu \(P_h\) kwenye ndege ya hologramu. VQ-HoloNet hutumia si hologramu hii tu bali pia taarifa ya amplitude ya ndege ya kitu, kwa kujaribu kurejesha kwa sehemu taarifa inayoweza kupotea wakati wa propagation.

Usanifu wa kihierarkia wa VQ-HoloNet

VQ-HoloNet ina viwango viwili vya encoder za kihierarkia na viwango viwili vya decoder. Encoder ya chini \(E_1\) huwakilisha vipengele vya anga vya kina zaidi, huku encoder ya juu \(E_2\) ikiwakilisha miundo dhahania na yenye resolution ndogo. Latent ya juu kwanza hufanyiwa quantization na decoding; kisha inaunganishwa na latent ya chini na kuingizwa katika hatua ya pili ya quantization.

Madhumuni ya mkabala huu ni kuhifadhi miundo ya kiwango kikubwa na maelezo ya masafa ya juu ya hologramu katika viwango tofauti vya hierarkia. Vitalu vya encoder hutumia tabaka za convolution na residual blocks; upande wa decoder hutumia residual blocks na tabaka za transposed convolution. Tabaka la mwisho la decoder hutumia scaled tanh activation ili kupeleka thamani za awamu katika masafa ya \([-\pi,\pi]\) kwa uoanifu na SLM.

Ukadiriaji wa vekta kwa quantization

Vector quantization hutumiwa kubadilisha matokeo endelevu ya encoder kuwa uwakilishi tofauti unaofaa kwa uwasilishaji. Kwa hologramu ingizo \(x=(A_h,P_h)\), latent iliyofanyiwa quantization:

\[ z_q(x)=Q(E_\theta(x)\mid e) = \underset{0\le i\le K}{\operatorname{argmin}} \left\|E_\theta(x)-e_i\right\|_2 \]

huchaguliwa kwa njia hii. \(E_\theta(x)\) ni matokeo ya encoder, \(e_i\) ni vekta ya msimbo ya \(i\) katika codebook, na \(K\) ni idadi ya jumla ya vekta za msimbo. Kila vekta ya latent hubadilishwa kwa vekta ya msimbo inayoweza kujifunza iliyo karibu zaidi kwa kipimo cha umbali wa Euclid.

Kisha hologramu ya awamu pekee hutengenezwa na decoder:

\[ \tilde P_h=D_\phi(z_q(x)) \]

kwa umbo hili. Kwa hiyo mpokeaji anaweza kutumiwa faharasa za codebook badala ya tensor endelevu zenye vipimo vingi.

Kurekebisha Kiwango cha Biti katika Modeli Moja Kunafanyikaje?

Urekebishaji wa kiwango cha biti hutokea kwa kubadilisha codebook ya asili ya VQ-HoloNet kuwa codebook ndogo zaidi kwa LSTM-based Seq2Seq encoder–decoder na kwa uwezo wa mpokeaji kutumia decoder ileile na ukubwa tofauti wa codebook; hivyo mtandao mpya wa ukandamizaji wa hologramu hauhitaji kufunzwa kiwango cha biti kinapobadilika.

Codebook ya msingi ina vekta za msimbo \(K=4096\), kila moja ikiwa na vipimo 128. Ukubwa lengwa wa codebook wa Seq2Seq \(\tilde K\) unaweza kubadilika kati ya 512 na 4096 wakati wa mafunzo. Katika tathmini ya utekelezaji, kwa kuzingatia memory alignment:

\[ \tilde K\in\{512,1024,2048,4096\} \]

thamani hizi zilitumiwa.

Sehemu ya Seq2Seq inajumuisha vitengo vya LSTM. Vekta za msimbo huchukuliwa kama vipengele vilivyopangwa kwa mlolongo, sawasawa na maneno katika sentensi: encoder hukandamiza codebook asili kuwa vekta moja ya uwakilishi, huku decoder ikitengeneza codebook mpya ya ukubwa unaotakiwa.

Katika hali ya mtumaji–mpokeaji ya utafiti, codebook zilizotengenezwa kwa ukubwa tofauti zinaweza kuhifadhiwa mapema kwa mtumaji na mpokeaji. Wakati wa usafirishaji, vekta kamili zenye vipimo 128 hazitumwi; ni faharasa tu zinazoelekeza kwenye vipengele vya codebook iliyochaguliwa zinazotumwa. Faharasa hizi hufanyiwa lossless entropy coding kwa Asymmetric Numeral Systems (ANS) na kuwa mkondo wa biti.

Mipangilio ya low na ultra-low

Kulingana na ufafanuzi wa usanifu kwenye chanzo, resolution za latent ya chini na ya juu za VQ-HoloNet (low) ni mtawalia:

\[ \frac{H}{4}\times\frac{W}{4}, \qquad \frac{H}{8}\times\frac{W}{8} \]

ilhali VQ-HoloNet (ultra low) hutumia tabaka moja la ziada la downsampling kufikia:

\[ \frac{H}{8}\times\frac{W}{8}, \qquad \frac{H}{16}\times\frac{W}{16} \]

resolution hizi. Mpangilio huu wa pili unalenga kiwango kidogo zaidi cha biti kwa kutumia vipengele vichache vya latent.

Kutolingana ndani ya chanzo: Katika sehemu ya implementation inayofuata, majina ya resolution za latent za nambari kwa ingizo la 1072×1920 yanaonekana kuwa kinyume cha ufafanuzi huu. Hivyo maandishi ya Verianla yamehifadhi ufafanuzi wa kihisabati \(H/4,H/8,H/16\) wa sehemu ya usanifu; mstari wa nambari haukusahihishwa kimyakimya.

Kwa Nini Loss ya Ujenzi Upya Inayotegemea Fizikia Inatumika?

Loss ya ujenzi upya inayotegemea fizikia hutumika kukokotoa propagation halisi ya mwanga katika nafasi huru kwa modeli ya ASM inayoweza kutofautishwa na kuoptimisha moja kwa moja amplitude kwenye ndege ya kitu lengwa badala ya kulinganisha tu ramani ya awamu iliyozalishwa na decoder kwenye kiwango cha pikseli.

Lengo la jumla katika hatua ya kwanza ya mafunzo ya VQ-HoloNet:

\[ L_{\mathrm{framework}} = L_{\mathrm{LatentVQ}}(e) + L_{\mathrm{VQReconstruct}}(e) \]

lina umbo hili.

Loss ya vector quantization ina sehemu mbili:

\[ L_{\mathrm{LatentVQ}}(e) = \left\| \operatorname{sg}[E_\theta(x)]-z_q(x) \right\|_2^2 + \beta \left\| \operatorname{sg}[z_q(x)]-E_\theta(x) \right\|_2^2 \]

Hapa \(\operatorname{sg}[\cdot]\) ni operesheni ya stop-gradient, neno la kwanza ni codebook loss, la pili commitment loss, na \(\beta\) ni uzito wa commitment. Utafiti ulitumia \(\beta=0,25\). Kwa sababu quantization haiwezi kutofautishwa moja kwa moja, gradient hupitishwa kwa straight-through estimator.

Angular Spectrum Method

Propagation ya sehemu yenye amplitude \(a(x,y)\) na awamu \(\phi(x,y)\) kwa umbali wa \(d\) katika nafasi ya Fourier:

\[ f_p^d(\phi,a) = \mathcal{F}^{-1} \left\{ \mathcal{F} \left[ a(x,y)e^{i\phi(x,y)} \right] H(f_x,f_y,d) \right\} \]

huelezwa hivyo.

Kiini cha propagation chenye kikomo cha bandwidth:

\[ H(f_x,f_y,d)= \begin{cases} \exp\left[ i\frac{2\pi d}{\lambda} \sqrt{1-(\lambda f_x)^2-(\lambda f_y)^2} \right], & f_x^2+f_y^2<\frac{1}{\lambda^2} \\ 0, & \text{aksi halde} \end{cases} \]

kina umbo hili. \(f_x\) na \(f_y\) huwakilisha masafa ya anga, \(\lambda\) urefu wa wimbi na \(d\) umbali wa propagation. Masafa ya juu ya anga huwekwa sifuri nje ya mpaka wa kukata wa kimwili.

Loss ya ujenzi upya yenye sehemu tatu

Modeli hutathmini kosa kati ya amplitude lengwa na ujenzi upya baada ya propagation kutoka mitazamo mitatu tofauti:

\[ L_{\mathrm{VQReconstruct}} = a_{\mathrm{MSE}}L_{\mathrm{MSE}} + a_{\mathrm{MS-SSIM}} (1-L_{\mathrm{MS-SSIM}}) + a_{\mathrm{WFFT}}L_{\mathrm{WFFT}} \]

MSE huwakilisha kosa la nambari la kiwango cha pikseli, MS-SSIM kufanana kwa kimuundo katika skeli nyingi, na Watson-DFT uharibifu unaotambulika katika nafasi ya frequency. Uzito uliotumika kwenye majaribio linganishi ulikuwa \(w_{\mathrm{MSE}}=1\), \(w_{\mathrm{MS-SSIM}}=0,1\) na \(w_{\mathrm{WFFT}}=0,025\).

Kwa epoch za kwanza \(N=100\), mafunzo ya warm-up ya VQ-HoloNet hufanyika. Kisha sehemu ya Seq2Seq huwashwa na loss hubadilika ili kutumia codebook asili \(e\) badala yake kutumia codebook iliyorekebishwa \(\tilde e\) kwa namna:

\[ L_{\mathrm{framework}} = L_{\mathrm{LatentVQ}}(\tilde e) + L_{\mathrm{VQReconstruct}}(\tilde e) \]

hii.

Mambo ambayo utafiti unaunga mkono na usiyounga mkono

Utafiti unaunga mkono: Chini ya seti za majaribio za DIV2K zilizochunguzwa na masharti maalumu ya optiki na nambari, RAVQ-HoloNet inaweza kutoa utendaji wa rate–distortion wenye ushindani au bora zaidi kwa kiwango kidogo cha biti kuliko ulinganisho wa DPRC na JPEG. Viwango tofauti vya biti vinaweza kupatikana kwa kubadilisha ukubwa wa codebook ndani ya familia ileile ya modeli.

Utafiti hauungi mkono: Matokeo hayathibitishi faida hiyohiyo katika skrini zote za holografia, matukio yote ya 3D, kila hali ya mtandao au vifaa vya kibiashara vya AR/VR. Toleo za 3D, RGB-D, gaze-driven na camera-in-the-loop si matokeo yaliyothibitishwa ya utafiti huu bali mwelekeo wa utafiti wa baadaye.

Mbinu na Matokeo ya Utafiti

Seti ya data na simulation ya optiki

Katika tathmini ya modeli, chanzo cha mafunzo chenye picha 800 cha DIV2K kilitumiwa. Seti mbili tofauti zilifafanuliwa kwa majaribio: sehemu ndogo ya DIV2K validation yenye picha 100 iliyotumiwa awali na DPRC iliitwa Set1, huku sehemu ndogo ya DIV2K test yenye picha 50 ikiitwa Set2.

Katika simulation, nafasi ya pikseli kwenye ndege ya hologramu ilikuwa 6,4 µm. Kwa mwanga wa RGB, urefu wa mawimbi wa 450 nm bluu, 520 nm kijani na 638 nm nyekundu ulitumiwa. Umbali wa propagation kati ya ndege ya kitu na hologramu ulikuwa 20 cm. Kutokana na diffraction inayotegemea urefu wa wimbi, modeli tofauti ilifunzwa kwa kila chaneli ya rangi.

Miundombinu ya kompyuta na vigezo vya mafunzo

Matokeo ya kiasi ya Set1

VQ-HoloNet (low) inafikia PSNR iliyo karibu na DPRC High Quality kwa takriban nusu ya Bpp. Hata hivyo SSIM ni chini kwa takriban %3, na LPIPS ni juu kwa 0,05. Mpangilio wa ultra-low unapunguza kiwango cha biti kwa takriban %78 dhidi ya low, huku PSNR ikipungua kwa takriban %13.

Muda wa decoding unajumuisha si neural decoder tu bali pia entropy decoding. Kubadilisha moja kwa moja faharasa za codebook kuwa vekta za msimbo kupitia lookup table katika VQ-HoloNet ndiko kunakofanya decoding kuwa fupi kuliko hesabu za hyperprior za DPRC kwa upande wa usanifu.

Matokeo ya Set2

Katika Set2, RAVQ-HoloNet (low) inafikia PSNR ya juu zaidi kwa kiwango cha biti karibu sawa na DPRC Mid Quality; ikilinganishwa na DPRC High Quality, inatoa ubora wa ujenzi upya unaofanana lakini chini kidogo kwa Bpp ndogo zaidi.

Utendaji wa rate–distortion

Katika mikunjo ya rate–distortion ya Set1, ambamo PSNR, SSIM na LPIPS zinaonyeshwa dhidi ya Bpp, RAVQ-HoloNet inazidi kwa kiasi kikubwa michanganyiko ya SGD+JPEG, WirtingerSGD+JPEG na HoloNet+JPEG. Chanzo kinasema hasa kuwa quantization ya JPEG inayotegemea DCT ina matatizo kwa mifumo ya phase-only ya masafa ya juu.

Katika tathmini ya Bjøntegaard dhidi ya DPRC kwa mpangilio wa low:

BD-Rate: −%33,91

BD-PSNR: +1,02 dB

ilimeripotiwa. BD-Rate yenye thamani hasi huonyesha wastani wa kiwango kidogo cha biti kwa ubora unaofanana katika safu ya rate–distortion iliyolinganishwa.

Ujenzi upya wa kulinganisha ubora

Katika mifano ya nambari, manyoya ya simba, mikunjo midogo ya uso wa mwanadamu, manyoya ya kasuku na maelezo ya mandhari yenye mwangaza mdogo yalitathminiwa. Kwa mfano, katika picha ya kasuku, RAVQ-HoloNet ilifikia takriban 34,400 dB PSNR kwa 1,630 Bpp, huku DPRC ikitumia 2,620 Bpp kwa PSNR inayofanana. Katika mandhari nyingine nyeusi, RAVQ-HoloNet ilizalisha ujenzi upya wa karibu 32,654 dB kwa 1,740 Bpp, huku matokeo yaliyolinganishwa ya DPRC yakitumia 3,120 Bpp.

Ukubwa wa codebook ulipoongezeka kutoka 512 hadi 4096, mifano ya kuona ilionyesha kuboreka kwa maelezo ya ujenzi upya na ukali wa kingo katika mipangilio ya low na ultra-low. Hii inaunga mkono kuwa ukubwa wa codebook hudhibiti moja kwa moja uwiano wa kiwango cha biti dhidi ya ubora.

Mpangilio wa jaribio halisi la SLM

Katika jaribio la maabara, laser yenye nguvu ya M2 Titanium Sapphire yenye urefu wa wimbi wa 813 nm ilitumika. Mwale wa awali wa umbo la duaradufu na wenye astigmatism ulibadilishwa kuwa mwale wa Gaussian wa mduara wenye kipenyo cha 6 mm kwa moduli ya beam-shaping yenye lensi za silinda, na kupanuliwa hadi takriban 9 mm kwa darubini ya L1–L2 2:3.

Bamba za nusu wimbi na PBS1 hulinganisha polarization na mhimili wa SLM ya liquid-crystal ya Meadowlark P1920. Baada ya kupakia muundo wa awamu kwenye SLM, hologramu huonekana katika umbali wa 13,5 mm. Mfumo wa L3–L4 4f huruhusu kuchuja mwanga wa mpangilio wa sifuri katika ndege ya Fourier. PBS2 hupunguza sehemu zilizobaki za mpangilio wa sifuri; darubini ya L5–L6 2:1 hupeleka picha kwenye kamera ya CMOS ya Basler a2A2840-48umBAS.

Katika picha za kamera, kingo za Fabry–Perot zilitokea kutokana na coherence ya laser na miakisi kati ya sensor ya kamera na kioo cha kinga. Chanzo kilisahihisha athari hii kwa kupakia awamu sare kwenye SLM, kukadiria wasifu wa Gaussian na kuondoa modulation ya mzunguko iliyopimwa kwa kugawanya.

Matokeo ya ujenzi upya wa kimwili

Katika ulinganisho halisi wa SLM karibu 0,5 Bpp, matokeo ya RAVQ-HoloNet yalionyesha contrast kubwa na kingo za vitu zilizo kali zaidi kuliko SGD+JPEG na DPRC. Hata hivyo chanzo kinasema wazi kwamba katika maeneo laini na yenye mwangaza — kama mwili wa pengwini katika mfano — uharibifu unaweza kuonekana katika ujenzi upya wa RAVQ-HoloNet.

Tofauti kati ya jaribio na simulation

Katika mpangilio wa kimwili, RoI na nafasi ya kimantiki ya pikseli zililinganishwa na modeli ya programu kadiri ilivyowezekana. Hata hivyo umbali wa propagation wa kimwili ulikuwa tofauti na simulation kutokana na urefu wa wimbi unaopatikana wa laser ya maabara na mipaka ya kimakanika ya meza ya optiki. Pia FOV ya kamera ilikuwa ndogo kuliko eneo lote la ujenzi upya, hivyo sehemu fulani tu ilipimwa.

Mipaka na tafiti za baadaye

Toleo la sasa la utafiti linahusu hasa holografia ya 2D. Chaneli za RGB zilichakatwa na mitandao tofauti kwa sababu ya utegemezi wa urefu wa wimbi. Waandishi wanapendekeza kuchunguza baadaye ukandamizaji wa pamoja wa RGB changamani, mgao wa biti wa saliency au gaze-driven, holografia ya RGB-D na 2.5D/full-3D, propagation ya depth-aware na urekebishaji wa camera-in-the-loop.

Chanzo pia kinajadili uwezekano wa kuchunguza mbinu katika matumizi ya juu ya optiki kama optical tweezers na udhibiti wa safu za atomi zisizo na chaji zinazohitaji masasisho ya haraka ya holografia. Haya si matumizi yaliyothibitishwa kimajaribio katika kazi hii, bali maelekezo ya matumizi ya baadaye.

Maelezo ya Chanzo na Mbinu

Utafiti asili: RAVQ-HoloNet: Rate-Adaptive Vector-Quantized Hologram Compression.

Mpangilio wa waandishi katika PDF: Shima Rafiei, Zahra Nabizadeh Shahr-Babak, Soroush Khoubyarian, Alexandre Cooper, Shadrokh Samavi, Shahram Shirani.

Mwandishi wa mawasiliano: Zahra Nabizadeh Shahr-Babak.

Taasisi: Department of Electrical and Computer Engineering, McMaster University; Institute for Quantum Computing ve Department of Physics and Astronomy, University of Waterloo; Computer Science Department, Seattle University.

Jukwaa: SSRN.

SSRN Abstract ID: 6946746.

DOI: 10.2139/ssrn.6946746.

Tarehe rasmi ya rekodi: 15 Juni 2026.

Aina ya chanzo: Utafiti wa ukandamizaji wa hologramu unaotegemea deep learning; preprint yenye simulation ya nambari na uthibitishaji wa SLM katika maabara.

Hali ya peer review: PDF inasema wazi kwamba kazi bado haijapitia peer review.

Tofauti ya metadata ya bibliografia: PDF ya chanzo ina waandishi sita, lakini Shadrokh Samavi haonekani kwenye ukurasa wa sasa wa metadata wa SSRN. Tofauti hii haijachukuliwa kuwa imetatuliwa; makala ya Verianla imehifadhi mpangilio wote wa waandishi katika PDF.

Leseni: Leseni ya wazi ya Creative Commons haikuthibitishwa kwenye PDF iliyopitiwa wala rekodi rasmi iliyoweza kukaguliwa. Kwa hiyo picha asilia na miundo ya michoro haikuchapishwa tena.

Ufadhili, mgongano wa maslahi na upatikanaji wa data: Hakuna taarifa tofauti ya ufadhili, mgongano wa maslahi au upatikanaji wa data iliyopatikana katika PDF ya chanzo. Sehemu zinazokosekana hazikujazwa kwa kukisia.

Tamko la matumizi ya AI: Waandishi walieleza pia kwamba walitumia ChatGPT kwa uhariri wa lugha na kuboresha sentensi wakati wa kuandika, na kwamba maudhui yote yalipitiwa na kuhaririwa na waandishi wenyewe.

Kutolingana kwa kiufundi ndani ya chanzo: Ufafanuzi wa resolution za latent za low/ultra-low katika sehemu ya usanifu unaonekana kuwa kinyume na majina ya vipimo vya latent vya nambari kwa 1072×1920 kwenye sehemu ya implementation. Kutolingana huku hakukusahihishwa kimyakimya.

Kikomo cha tafsiri: Utendaji wa rate–distortion wa modeli katika simulation na picha za maabara za SLM zinaunga mkono mafanikio ya mbinu katika hali maalumu zilizotajwa za majaribio; hazihakikishi utendaji huohuo katika mifumo ya holografia ya 3D yenye rangi kamili, mawasiliano ya AR/VR yanayobadilika au vifaa vya edge vya kiwango cha bidhaa.