Rate-Adaptive Vector-Quantized HoloNet (RAVQ-HoloNet), чаҳорчӯбаи омӯзиши амиқест, ки майдонҳои мавҷии ҳолографии дорои қиматҳои комплексиро ба рамзҳои ниҳонии дискретӣ фишурда, ин рамзҳоро бо андозаҳои гуногуни китобчаи рамз мутобиқи талаботи паҳнои банд интиқол дода метавонад ва дар тарафи қабулкунанда ҳолограммаи танҳофазавӣ месозад. Низом меъмории иерархии encoder–decoder-и VQ-HoloNet-ро бо мутобиқсозии китобчаи рамзи ба Seq2Seq асосёфта ва рамзгузории энтропии ANS муттаҳид мекунад. Ба ин тартиб ба ҷойи нигоҳ доштани шабакаҳои ҷудогона барои суръатҳои гуногуни бит, дар як модели омӯхташуда чанд сатҳи фишурдасозӣ дастгирӣ мешаванд.

Дар таҳқиқот ду конфигуратсия бо маҷмӯаи додаҳои DIV2K баррасӣ шудаанд: VQ-HoloNet (low) барои суръати пасти бит ва VQ-HoloNet (ultra low), ки барои расидан ба суръати боз ҳам пасттар фазои ниҳониро бештар хурд мекунад. Дар натиҷаҳои Set1 модели low дар 1,79 Bpp ба 29,43 dB PSNR мерасад, аммо модели муқоисавии DPRC High Quality барои 29,67 dB 3,50 Bpp истифода мекунад. Барои модели low дар каҷхатҳои rate–distortion бартарии −%33,91 BD-Rate ва +1,02 dB BD-PSNR гузориш шудааст.

Таҳқиқот инчунин намунаҳои фазавиро дар Spatial Light Modulator (SLM)-и воқеӣ намоиш дода, реконструксияҳои оптикии ҷисмонӣ сохтааст. Дар ин озмоишҳо модел дар муқоисаи тақрибан 0,5 Bpp нисбат ба SGD+JPEG ва DPRC контрасти баландтар ва канорҳои равшантари объектро нишон додааст. Аммо кор ба ҳолографияи 2D маҳдуд аст; каналҳои RGB бо моделҳои алоҳида коркард шудаанд ва дарозии мавҷу масофаи паҳншавии таҷҳизоти лабораторӣ аз шароити симулятсия фарқ мекунанд. Аз ин рӯ натиҷаҳоро набояд иҷрои мустақиман тасдиқшуда барои ҳамаи низомҳои вақти воқеии 3D AR/VR шуморид.

RAVQ-HoloNet Чист?

RAVQ-HoloNet низоми иерархии фишурдасозии ҳолографӣ бо квантсозии векторӣ мебошад, ки сохтани ҳолограмма ва фишурдасозии онро дар як занҷири омӯзишпазири амалҳо муттаҳид карда, бо тағйири андозаи китобчаи рамз дар суръатҳои гуногуни бит тавассути як шабакаи омӯзонидашуда кор мекунад.

Дар намоишҳои ҳолографӣ на танҳо равшании тасвир, балки сохтори фазавии мавҷи рӯшноӣ низ муҳим аст. Барои ҳамин усулҳои умумии фишурдасозӣ чун JPEG, H.264, ки барои тасвирҳои табиӣ сохта шудаанд, метавонанд намунаҳои фазавии ҳолографии басомади баландро сахт вайрон кунанд. Ҳатто хатои хурди фазавӣ пас аз паҳншавӣ метавонад дар ҳамвории реконструксия ба вайроншавии намоён табдил ёбад.

Пас ҳадафи таҳқиқот танҳо «хурд кардани файли ҳолограмма» нест. Низом аз тасвири воридотӣ ё ҳолограммаи комплексии мавҷуда оғоз карда, сохтани ҳолограммаи танҳофазавии мутобиқ ба паҳншавии ҷисмонӣ, квантсозии муаррифии ниҳонӣ, танзими суръати интиқоли бит ва реконструксияи ҷониби қабулкунандаро дар як меъморӣ баррасӣ мекунад.

Марҳилаи аввал: сохтани ҳолограммаи комплексӣ

Агар вуруд тасвири шиддат бошад, он аввал бо ислоҳи баръакси гамма ва гирифтани решаи квадратӣ ба амплитудаи ҳадаф \(A_t\) табдил меёбад. U-Net-и пешакӣ омӯзонидашуда фазаи ибтидоӣ \(P_t\)-ро месозад. Амплитудаи ҳадаф ва фазаи ибтидоӣ якҷоя майдони комплексии рӯшноиро дар ҳамвории объект ташкил медиҳанд.

Сипас ин майдон бо bandwidth-limited Angular Spectrum Method (ASM) ба ҳамвории ҳолограмма паҳн мешавад. Дар натиҷа дар ҳамвории ҳолограмма амплитудаи \(A_h\) ва фазаи \(P_h\) ба даст меоянд. VQ-HoloNet ғайр аз ҳолограмма, аз маълумоти амплитудаи ҳамвории объект истифода бурда, кӯшиш мекунад иттилои эҳтимолан дар паҳншавӣ гумшударо қисман ҷуброн кунад.

Меъмории иерархии VQ-HoloNet

VQ-HoloNet аз ду сатҳи иерархии encoder ва ду сатҳи decoder иборат аст. Encoder-и поёнӣ \(E_1\) хусусиятҳои муфассали фазоӣ, encoder-и болоӣ \(E_2\) сохторҳои абстрактӣ ва дорои возеҳии пасттарро ифода мекунанд. Ниҳонии болоӣ аввал квант ва декод мешавад; баъд бо ниҳонии поёнӣ муттаҳид шуда ба квантсозии дуюм мегузарад.

Ҳадаф нигоҳ доштани ҳам сохторҳои миқёси бузург ва ҳам ҷузъиёти басомади баланди ҳолограмма дар сатҳҳои гуногуни иерархист. Дар блокҳои encoder қабатҳои конволютсионӣ ва блокҳои residual, дар тарафи decoder блокҳои residual ва қабатҳои transposed convolution истифода мешаванд. Қабати охирини decoder бо фаъолсозии tanh-и миқёсшуда арзишҳои фазаро барои мутобиқат ба SLM ба фосилаи \([-\pi,\pi]\) мувофиқ мекунад.

Квантсозии векторӣ

Барои табдили натиҷаи пайвастаи encoder ба муаррифии дискретии муносиб барои интиқол vector quantization истифода мешавад. Барои ҳолограммаи воридотии \(x=(A_h,P_h)\) муаррифии ниҳонии квантшуда:

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

интихоб мешавад. \(E_\theta(x)\) баромади encoder, \(e_i\) вектори рамзи \(i\)-ум дар китобчаи рамз ва \(K\) шумораи умумии векторҳои рамз аст. Ҳар вектори ниҳонӣ бо наздиктарин вектори рамзи омӯзишпазир аз рӯи масофаи Евклидӣ иваз мегардад.

Сипас decoder ҳолограммаи танҳофазавиро:

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

ба ин шакл месозад. Ҳамин тавр ба қабулкунанда метавон ба ҷойи тензорҳои пайвастаи баландандоза индексҳои китобчаи рамзро фиристод.

Мутобиқшавии Суръат дар Як Модел Чӣ Гуна Таъмин Мешавад?

Мутобиқшавии суръат тавассути табдили китобчаи аслии рамзи VQ-HoloNet бо encoder–decoder-и ба LSTM асосёфтаи Seq2Seq ба китобчаҳои хурдтар ва имкони истифодаи ҳамон decoder бо андозаҳои гуногун дар тарафи қабулкунанда таъмин мешавад; бинобар ин ҳангоми тағйири суръати бит омӯзонидани шабакаи нави фишурдасозии ҳолограмма зарур нест.

Китобчаи асосии рамз аз \(K=4096\) вектори рамз, ки ҳар кадом 128 андоза дорад, иборат аст. Андозаи китобчаи ҳадафии модели Seq2Seq — \(\tilde K\) — ҳангоми омӯзиш аз 512 то 4096 тағйир меёбад. Дар арзёбии амалӣ барои мутобиқати хотира:

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

арзишҳо истифода шуданд.

Қисми Seq2Seq аз воҳидҳои LSTM иборат аст. Векторҳои рамз ҳамчун ҷузъҳои пайдарпай монанди калимаҳои ҷумла баррасӣ мешаванд: encoder китобчаи ибтидоии рамзро ба як вектори муаррифӣ фишурда, decoder китобчаи нави андозаи лозимиро месозад.

Дар сенарияи фиристанда–қабулкунанда китобчаҳои рамзи андозаҳои гуногунро метавон пешакӣ дар ҳар ду тараф нигоҳ дошт. Ҳангоми интиқол векторҳои пурраи 128-андоза фиристода намешаванд; танҳо индексҳои ишоракунанда ба ҷузъҳои китобчаи интихобшуда интиқол меёбанд. Индексҳо бо Asymmetric Numeral Systems (ANS) бе талаф рамзгузории энтропӣ шуда, ба ҷараёни бит табдил меёбанд.

Конфигуратсияҳои low ва ultra-low

Мувофиқи тавсифи меъмории манбаъ, барои VQ-HoloNet (low) возеҳии муаррифиҳои ниҳонии поёнӣ ва болоӣ мутаносибан:

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

буда, VQ-HoloNet (ultra low) бо истифодаи қабати иловагии downsampling ба:

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

возеҳиҳо мерасад. Конфигуратсияи дуюм бо ҷузъҳои камтари ниҳонӣ суръати пасттари битро ҳадаф мегирад.

Номувофиқӣ дар дохили манбаъ: Дар бахши баъдии implementation номгузории возеҳии ниҳонии ададӣ барои вуруди 1072×1920 баръакси таърифи боло менамояд. Аз ин сабаб дар матни Verianla таърифи математикии \(H/4,H/8,H/16\)-и бахши меъморӣ нигоҳ дошта шудааст; сатри ададӣ пинҳонӣ ислоҳ нашудааст.

Чаро Талафи Реконструксияи Ба Физика Асосёфта Истифода Мешавад?

Талафи реконструксияи ба физика асосёфта барои он истифода мешавад, ки ба ҷойи муқоисаи танҳо пикселии харитаи фазаи сохтаи decoder паҳншавии воқеии рӯшноӣ дар фазои озод бо модели дифференсиалшавандаи ASM ҳисоб ва амплитудаи ҳамвории объекти ҳадаф бевосита оптимизатсия гардад.

Ҳадафи умумии марҳилаи якуми омӯзонидани VQ-HoloNet:

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

ба чунин шакл аст.

Талафи квантсозии векторӣ аз ду қисми зерин иборат аст:

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

Дар ин ҷо \(\operatorname{sg}[\cdot]\) амали stop-gradient, ҳади аввал codebook loss, ҳади дуюм commitment loss ва \(\beta\) вазни commitment-ро нишон медиҳанд. Дар таҳқиқот \(\beta=0,25\) истифода шудааст. Азбаски квантсозӣ бевосита дифференсиал намешавад, градиент бо straight-through estimator интиқол меёбад.

Angular Spectrum Method

Паҳншавии майдони амплитудаи \(a(x,y)\) ва фазаи \(\phi(x,y)\) ба масофаи \(d\) дар фазои Fourier:

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

ифода мегардад.

Ядрои паҳншавии маҳдуд ба банд:

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

аст. \(f_x\) ва \(f_y\) басомадҳои фазоӣ, \(\lambda\) дарозии мавҷ ва \(d\) масофаи паҳншавиро ифода мекунанд. Басомадҳои баланди фазоӣ берун аз ҳадди буриши ҷисмонӣ сифр карда мешаванд.

Талафи реконструксия бо се ҷузъ

Модел хатои байни амплитудаи ҳадаф ва реконструксияи пас аз паҳншавиро аз се дидгоҳ арзёбӣ мекунад:

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

MSE хатои ададии сатҳи пиксел, MS-SSIM монандии сохтории бисёрмиқёс ва Watson-DFT вайроншавии идрокиро дар фазои басомад ифода мекунанд. Дар озмоишҳои муқоисавӣ вазнҳои \(w_{\mathrm{MSE}}=1\), \(w_{\mathrm{MS-SSIM}}=0,1\) ва \(w_{\mathrm{WFFT}}=0,025\) истифода шуданд.

Дар аввалин \(N=100\) epoch омӯзиши warm-up-и VQ-HoloNet гузаронда мешавад. Баъдан қисми Seq2Seq фаъол мешавад ва талаф ба шакле мегузарад, ки ба ҷойи китобчаи аслии \(e\) китобчаи мутобиқшудаи \(\tilde e\)-ро истифода мекунад:

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

мегузарад.

Он чӣ таҳқиқот дастгирӣ мекунад ва намекунад

Таҳқиқот дастгирӣ мекунад: Дар маҷмӯаҳои санҷишии DIV2K ва шароити муайяни оптикӣ/ададӣ RAVQ-HoloNet метавонад дар суръати пасттари бит нисбат ба муқоисаҳои DPRC ва JPEG иҷрои рақобатпазир ё беҳтари rate–distortion нишон диҳад. Дар як оилаи модел бо тағйири андозаи китобчаи рамз суръатҳои гуногуни бит дастрас мешаванд.

Таҳқиқот дастгирӣ намекунад: Натиҷаҳо кафолат намедиҳанд, ки дар ҳамаи экранҳои ҳолографӣ, саҳнаҳои 3D, ҳар шароити шабака ва дастгоҳҳои тиҷоратии AR/VR ҳамон фоида ба даст меояд. Версияҳои 3D, RGB-D, gaze-driven ва camera-in-the-loop натиҷаҳои тасдиқшудаи ин таҳқиқот набуда, самтҳои ояндаи таҳқиқотанд.

Усул ва Натиҷаҳои Таҳқиқот

Маҷмӯаи додаҳо ва симулятсияи оптикӣ

Дар арзёбии модел манбаи омӯзишии 800 тасвири DIV2K истифода шуд. Барои санҷиш ду маҷмӯа муайян гардид: зермаҷмӯаи 100 тасвири DIV2K validation, ки қаблан DPRC истифода бурда буд, Set1 ва зермаҷмӯаи 50 тасвири DIV2K test — Set2 номида шуданд.

Дар симулятсия қадами пиксел дар ҳамвории ҳолограмма 6,4 µm буд. Барои рӯшноии RGB дарозиҳои мавҷи 450 nm кабуд, 520 nm сабз ва 638 nm сурх истифода шуданд. Масофаи паҳншавӣ байни ҳамвориҳои объект ва ҳолограмма 20 cm буд. Бинобар дифраксияи вобаста ба дарозии мавҷ барои ҳар канали ранг модели алоҳида омӯзонида шуд.

Таҷҳизоти ҳисоббарорӣ ва параметрҳои омӯзиш

Натиҷаҳои миқдории Set1

VQ-HoloNet (low) тақрибан ҳамон PSNR-и DPRC High Quality-ро бо қариб нисфи Bpp медиҳад. Аммо SSIM тақрибан %3 пасттар ва LPIPS ба андозаи 0,05 баландтар аст. Конфигуратсияи ultra-low суръати битро нисбат ба low тақрибан %78 коҳиш медиҳад, дар ҳоле ки PSNR тақрибан %13 кам мешавад.

Вақтҳои decoding на танҳо neural decoder, балки entropy decoding-ро низ дар бар мегиранд. Табдили мустақими индексҳои китобчаи рамз ба векторҳои рамз тавассути lookup table дар VQ-HoloNet сабаби асосии меъмории вақти камтари decoding нисбат ба ҳисобҳои hyperprior-и DPRC мебошад.

Натиҷаҳои Set2

Дар Set2 RAVQ-HoloNet (low) бо суръати қариб баробари DPRC Mid Quality PSNR-и баландтар медиҳад; нисбат ба DPRC High Quality бо Bpp-и пасттар сифати реконструксияи монанд, вале каме пасттар ҳосил мекунад.

Иҷрои rate–distortion

Дар каҷхатҳои rate–distortion-и Set1, ки PSNR, SSIM ва LPIPS нисбат ба Bpp кашида шудаанд, RAVQ-HoloNet аз омезишҳои SGD+JPEG, WirtingerSGD+JPEG ва HoloNet+JPEG ба таври назаррас беҳтар амал мекунад. Манбаъ махсусан мушкил будани квантсозии ба DCT асосёфтаи JPEG барои намунаҳои phase-only-и басомади баландро зикр мекунад.

Дар арзёбии Bjøntegaard нисбат ба DPRC барои конфигуратсияи low:

BD-Rate: −%33,91

BD-PSNR: +1,02 dB

гузориш шудааст. Арзиши манфии BD-Rate маънои суръати миёнаи пасттари битро барои сифати монанд дар фосилаи муқоисашудаи rate–distortion дорад.

Реконструксияҳои сифатӣ

Дар мисолҳои ададӣ пашми шер, чинҳои майдаи чеҳраи инсон, парҳои тӯтӣ ва ҷузъиёти саҳнаҳои камравшан арзёбӣ шуданд. Масалан, барои тасвири тӯтӣ RAVQ-HoloNet тақрибан 34,400 dB PSNR-ро бо 1,630 Bpp медиҳад, дар ҳоле ки DPRC барои PSNR-и монанд 2,620 Bpp истифода мекунад. Дар саҳнаи дигари торик RAVQ-HoloNet реконструксияи наздики 32,654 dB-ро бо 1,740 Bpp месозад, аммо натиҷаи муқоисавии DPRC 3,120 Bpp истифода кардааст.

Бо афзоиши андозаи китобчаи рамз аз 512 то 4096, дар ҳар ду конфигуратсияи low ва ultra-low беҳбуди ҷузъиёти реконструксия ва равшании канорҳо дар мисолҳои визуалӣ нишон дода шуд. Ин нишон медиҳад, ки андозаи китобчаи рамз тавозуни суръати бит ва сифатро бевосита идора мекунад.

Таҷҳизоти физикии озмоиши SLM

Дар лаборатория лазери пурқуввати M2 Titanium Sapphire бо дарозии мавҷи 813 nm истифода шуд. Шуои ибтидоии эллипсӣ ва астигматикӣ тавассути модули beam-shaping аз линзаҳои силиндрӣ ба шуои даврашакли Gaussian-и диаметраш 6 mm табдил ёфт; бо телескопи L1–L2 2:3 то тақрибан 9 mm васеъ карда шуд.

Лавҳаҳои ниммавҷӣ ва PBS1 поляризатсияро ба меҳвари SLM-и моеъкристаллии Meadowlark P1920 мувофиқ мекунанд. Баъд аз бор кардани намунаи фаза ба SLM, ҳолограмма дар масофаи 13,5 mm пайдо мешавад. Низоми L3–L4 4f барои филтр кардани рӯшноии тартиби сифрӣ дар ҳамвории Fourier имкон медиҳад. PBS2 ҷузъҳои боқимондаи тартиби сифриро кам мекунад; телескопи L5–L6 2:1 тасвирро ба камераи CMOS-и Basler a2A2840-48umBAS мебарад.

Дар тасвирҳои камера аз сабаби ҳамоҳангии лазер ва инъикосҳои байни сенсори камера ва шишаи муҳофизатӣ тасмаҳои Fabry–Perot ба вуҷуд омаданд. Манбаъ ин таъсирро бо бор кардани фазаи яксон ба SLM, тахмини профили Gaussian ва хориҷ кардани модулятсияи даврии ченшуда тавассути тақсим ҷуброн кардааст.

Натиҷаи реконструксияи физикӣ

Дар муқоисаҳои физикии SLM дар ҳудуди 0,5 Bpp натиҷаҳои RAVQ-HoloNet нисбат ба SGD+JPEG ва DPRC контрасти бештар ва канорҳои тези объектро нишон доданд. Аммо манбаъ равшан мегӯяд, ки махсусан дар минтақаҳои ҳамвору равшан — мисли бадани пингвин — дар реконструксияи RAVQ-HoloNet вайроншавӣ дида мешавад.

Фарқҳои байни озмоиш ва симулятсия

Дар таҷҳизоти физикӣ RoI ва фосилаи мантиқии пиксел то ҳадди имкон бо модели нармафзор мувофиқ нигоҳ дошта шуданд. Аммо аз сабаби дарозии мавҷи дастраси лазер ва маҳдудиятҳои механикии мизи оптикӣ масофаи паҳншавии ҷисмонӣ аз симулятсия фарқ мекунад. Илова бар ин, FOV-и камера аз тамоми майдони реконструксия хурдтар буда, танҳо қисми муайян чен шуд.

Маҳдудиятҳо ва таҳқиқоти оянда

Версияи кунунии таҳқиқот асосан ба ҳолографияи 2D маҳдуд аст. Каналҳои RGB аз рӯи дарозии мавҷ бо шабакаҳои алоҳида коркард шудаанд. Муаллифон барои оянда фишурдасозии якҷояи комплексии RGB, тақсими бит бо saliency ё gaze-driven, ҳолографияи RGB-D ва 2.5D/full-3D, паҳншавии depth-aware ва калибркунии camera-in-the-loop-ро пешниҳод мекунанд.

Манбаъ инчунин имкони таҳқиқи усулро дар барномаҳои пешрафтаи оптикӣ, аз ҷумла пинсетҳои оптикӣ ва идоракунии массивҳои атомҳои бетараф, ки навсозии босуръати ҳолографиро талаб мекунанд, муҳокима мекунад. Инҳо барномаҳои таҷрибан исботшудаи кор нестанд, балки самтҳои истифодаи ояндаанд.

Ёддошт оид ба Манбаъ ва Усул

Таҳқиқоти аслӣ: RAVQ-HoloNet: Rate-Adaptive Vector-Quantized Hologram Compression.

Тартиби муаллифон дар PDF: Shima Rafiei, Zahra Nabizadeh Shahr-Babak, Soroush Khoubyarian, Alexandre Cooper, Shadrokh Samavi, Shahram Shirani.

Муаллифи тамос: Zahra Nabizadeh Shahr-Babak.

Муассисаҳо: 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.

Платформа: SSRN.

SSRN Abstract ID: 6946746.

DOI: 10.2139/ssrn.6946746.

Санаи расмии сабт: 15 июни 2026.

Навъи манбаъ: Таҳқиқоти фишурдасозии ҳолограмма ба омӯзиши амиқ асосёфта; preprint бо симулятсияи ададӣ ва санҷиши лаборатории SLM.

Вазъи тақриз: PDF ошкоро мегӯяд, ки кор ҳанӯз аз тақризи ҳамтоён нагузаштааст.

Фарқи маълумоти библиографӣ: Дар PDF шаш муаллиф сабт шудааст, аммо дар саҳифаи кунунии маълумоти SSRN Shadrokh Samavi нест. Ин фарқ ҳалшуда шумурда нашудааст; дар мақолаи Verianla тартиби пурраи муаллифони PDF нигоҳ дошта шудааст.

Литсензия: Дар PDF-и баррасишуда ва сабти расмии санҷидашуда литсензияи кушодаи Creative Commons тасдиқ нашуд. Барои ҳамин тасвирҳои аслӣ ва тарҳҳои графикӣ аз нав нашр нашудаанд.

Маблағгузорӣ, бархӯрди манфиатҳо ва дастрасии додаҳо: Дар PDF-и манбаъ изҳороти алоҳида дар бораи маблағгузорӣ, бархӯрди манфиатҳо ё дастрасии додаҳо ошкор нашудааст. Майдонҳои нопурра бо тахмин пур карда нашуданд.

Изҳороти истифодаи AI: Муаллифон изҳор доштаанд, ки барои таҳрири забон ва беҳтар кардани ҷумлаҳо дар раванди навиштан ChatGPT истифода карданд ва тамоми мундариҷаро худ баррасӣ ва таҳрир намуданд.

Номувофиқии техникии дохили манбаъ: Таърифи возеҳии ниҳонии low/ultra-low дар бахши меъморӣ ва номгузории андозаҳои ададии ниҳонӣ барои 1072×1920 дар бахши implementation баръакс менамоянд. Ин номувофиқӣ пинҳонӣ ислоҳ нашудааст.

Ҳудуди тафсир: Иҷрои rate–distortion дар симулятсия ва тасвирҳои лаборатории SLM натиҷабахшии усулро дар шароити муайяни озмоишӣ дастгирӣ мекунанд; аммо дар низомҳои ҳолографии пурраранги 3D, алоқаи динамикии AR/VR ё сахтафзори edge-и сатҳи маҳсулот ҳамон иҷро кафолат намешавад.