Rate-Adaptive Vector-Quantized HoloNet (RAVQ-HoloNet), kompleks qiymatli golografik toʻlqin maydonlarini diskret latent kodlarga siqadigan, bu kodlarni oʻtkazish kengligi talabiga muvofiq turli kod kitobi oʻlchamlarida uzata oladigan va qabul qiluvchi tomonda faqat fazali gologramma hosil qiladigan chuqur oʻrganish tizimidir. Tizim iyerarxik VQ-HoloNet encoder–decoder arxitekturasini Seq2Seq asosidagi kod kitobini moslashtirish va ANS entropiya kodlashi bilan birlashtiradi. Shu tariqa turli bit tezliklari uchun alohida tarmoqlarni saqlash oʻrniga bitta oʻqitilgan model ichida bir necha siqish darajasi qoʻllab-quvvatlanadi.

Tadqiqotda DIV2K maʼlumotlar toʻplamida ikki konfiguratsiya oʻrganildi: past bit tezligi uchun VQ-HoloNet (low) va undan ham past bit tezliklariga erishish uchun latent fazoni koʻproq kichraytiradigan VQ-HoloNet (ultra low). Set1 natijalarida low model 1,79 Bpp da 29,43 dB PSNRga erishgan, taqqoslangan DPRC High Quality modeli esa 29,67 dB uchun 3,50 Bpp ishlatgan. Low model uchun rate–distortion egri chiziqlarida −%33,91 BD-Rate va +1,02 dB BD-PSNR ustunligi xabar qilingan.

Tadqiqot shuningdek faza naqshlarini haqiqiy Spatial Light Modulator (SLM) da aks ettirib fizik optik rekonstruksiyalar hosil qilgan. Ushbu tajribalarda model taxminan 0,5 Bpp taqqoslashida SGD+JPEG va DPRCga qaraganda yuqoriroq kontrast va aniqroq obyekt chetlarini koʻrsatgan. Shu bilan birga tadqiqot 2D golografiya bilan chegaralangan; RGB kanallari alohida modellar orqali qayta ishlangan, fizik laboratoriya qurilmasining toʻlqin uzunligi va tarqalish masofasi esa simulyatsiya sharoitlaridan farq qilgan. Shu sabab natijalar barcha real vaqt 3D AR/VR tizimlari uchun bevosita tasdiqlangan koʻrsatkich sifatida talqin qilinmasligi kerak.

RAVQ-HoloNet Nima?

RAVQ-HoloNet gologramma hosil qilish va siqishni yagona oʻrganiladigan jarayonda birlashtiradigan hamda kod kitobi hajmini oʻzgartirish orqali bitta oʻqitilgan tarmoq bilan turli bit tezliklarida ishlay oladigan iyerarxik vektor kvantlashli golografiya siqish tizimidir.

Golografik tasvirlashda nafaqat tasvir yorqinligi, balki yorugʻlik toʻlqinining faza tuzilishi ham muhim. Shu sabab tabiiy tasvirlar uchun ishlab chiqilgan JPEG, H.264 yoki shunga oʻxshash umumiy maqsadli siqish usullari yuqori chastotali golografik faza naqshlarini jiddiy buzishi mumkin. Faza naqshidagi kichik xato ham tarqalishdan keyin rekonstruksiya tekisligida sezilarli buzilishga aylanishi mumkin.

Shu bois ishning maqsadi shunchaki “gologramma faylini kichraytirish” emas. Tizim kirish tasviri yoki mavjud kompleks gologrammadan boshlab fizik tarqalishga mos faqat fazali gologramma hosil qilish, latent ifodani kvantlash, uzatish bit tezligini sozlash va qabul qiluvchi tomonda rekonstruksiyani bitta arxitekturada koʻrib chiqadi.

Birinchi bosqich: kompleks gologramma yaratish

Agar kirish intensivlik tasviri boʻlsa, avval teskari gamma tuzatishi va kvadrat ildiz amali orqali maqsad amplitudasi \(A_t\) ga aylantiriladi. Oldindan oʻqitilgan U-Net boshlangʻich faza \(P_t\) ni hosil qiladi. Maqsad amplitudasi va boshlangʻich faza birgalikda obyekt tekisligidagi kompleks yorugʻlik maydonini hosil qiladi.

Keyin bu maydon bandwidth-limited Angular Spectrum Method (ASM) orqali gologramma tekisligiga tarqatiladi. Natijada gologramma tekisligida amplituda \(A_h\) va faza \(P_h\) olinadi. VQ-HoloNet nafaqat gologrammadan, balki obyekt tekisligi amplitudasi haqidagi maʼlumotdan ham foydalanib tarqalishda yoʻqolishi mumkin boʻlgan axborotni qisman qoplashga urinadi.

Iyerarxik VQ-HoloNet arxitekturasi

VQ-HoloNet ikkita iyerarxik encoder va ikkita decoder darajasidan iborat. Quyi encoder \(E_1\) batafsil fazoviy xususiyatlarni, yuqori encoder \(E_2\) esa mavhumroq va pastroq aniqlikdagi tuzilmalarni ifodalaydi. Yuqori latent avval kvantlanib dekodlanadi; soʻng quyi latent bilan birlashtirilib ikkinchi kvantlash bosqichiga kiritiladi.

Bu yondashuvning maqsadi gologrammadagi ham katta masshtabli tuzilmalar, ham yuqori chastotali tafsilotlarni alohida iyerarxik darajalarda saqlashdir. Encoder bloklarida konvolyutsiya qatlamlari va residual bloklar, decoder tomonida residual bloklar va transposed convolution qatlamlari qoʻllanadi. Oxirgi decoder qatlami masshtablangan tanh faollashtirish orqali faza qiymatlarini SLMga moslik uchun \([-\pi,\pi]\) oraligʻiga akslantiradi.

Vektor kvantlash

Uzluksiz encoder chiqishini uzatishga mos diskret ifodaga aylantirish uchun vector quantization qoʻllanadi. Kirish gologrammasi \(x=(A_h,P_h)\) uchun kvantlangan latent:

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

orqali tanlanadi. \(E_\theta(x)\) encoder chiqishi, \(e_i\) kod kitobidagi \(i\)-kod vektori, \(K\) esa jami kod vektorlari sonidir. Har bir latent vektor Yevklid masofasi boʻyicha eng yaqin oʻrganiladigan kod vektori bilan almashtiriladi.

Soʻng faqat fazali gologramma decoder tomonidan:

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

shaklida yaratiladi. Natijada qabul qiluvchiga katta oʻlchamli uzluksiz tenzorlar emas, kod kitobi indekslarini uzatish mumkin boʻladi.

Bitta Modelda Bit Tezligiga Moslashish Qanday Taʼminlanadi?

Bit tezligiga moslashish VQ-HoloNetning dastlabki kod kitobini LSTM asosidagi Seq2Seq encoder–decoder yordamida kichikroq kod kitoblariga aylantirish va qabul qiluvchining oʻsha decoder bilan turli kod kitobi oʻlchamlarida ishlashi orqali amalga oshadi; demak bit tezligi oʻzgarganda yangi gologramma siqish tarmogʻini oʻqitish talab qilinmaydi.

Asosiy kod kitobi \(K=4096\) ta, har biri 128 oʻlchamli kod vektoridan tashkil topgan. Seq2Seq modelining maqsad kod kitobi oʻlchami \(\tilde K\) oʻqitishda 512 va 4096 orasida oʻzgaradi. Amaliy baholashda xotira tekislanishiga mos ravishda:

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

qiymatlari ishlatilgan.

Seq2Seq qismi LSTM birliklaridan iborat. Kod vektorlari gapdagi soʻzlarga oʻxshash tartiblangan elementlar deb olinadi: encoder boshlangʻich kod kitobini bitta ifoda vektoriga siqadi, decoder esa talab etilgan hajmdagi yangi kod kitobini hosil qiladi.

Tadqiqotning yuboruvchi–qabul qiluvchi ssenariysida turli hajmdagi yaratilgan kod kitoblari oldindan har ikki tomonda saqlanishi mumkin. Uzatishda toʻliq 128 oʻlchamli vektorlar yuborilmaydi; faqat tanlangan kod kitobidagi elementlarga ishora qiluvchi indekslar yuboriladi. Bu indekslar Asymmetric Numeral Systems (ANS) bilan yoʻqotishsiz entropiya kodlanib bit oqimiga aylantiriladi.

Low va ultra-low konfiguratsiyalari

Manbaning arxitektura tavsifiga koʻra VQ-HoloNet (low) uchun quyi va yuqori latent aniqliklar mos ravishda:

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

boʻlsa, VQ-HoloNet (ultra low) qoʻshimcha downsampling qatlamidan foydalanib:

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

aniqliklargacha tushadi. Ikkinchi konfiguratsiya kamroq latent element bilan pastroq bit tezligini koʻzlaydi.

Manba ichidagi nomuvofiqlik: Keyingi implementation boʻlimida 1072×1920 kirish uchun sonli latent aniqliklar bu taʼrifga qarama-qarshi nomlangandek koʻrinadi. Shuning uchun Verianla sharhida arxitektura boʻlimidagi matematik \(H/4,H/8,H/16\) taʼrif saqlangan, sonli qator yashirincha tuzatilmagan.

Nima Uchun Fizikaga Asoslangan Rekonstruksiya Yoʻqotishi Ishlatiladi?

Fizikaga asoslangan rekonstruksiya yoʻqotishi decoder hosil qilgan faza xaritasini faqat piksel darajasida solishtirish oʻrniga yorugʻlikning erkin fazodagi haqiqiy tarqalishini differensiallanuvchi ASM modeli bilan hisoblab, maqsad obyekt tekisligidagi amplitudani bevosita optimallashtirish uchun qoʻllanadi.

VQ-HoloNetning birinchi oʻqitish bosqichidagi umumiy maqsad:

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

shaklidadir.

Vektor kvantlash yoʻqotishi ikki qismdan iborat:

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

Bu yerda \(\operatorname{sg}[\cdot]\) stop-gradient amalini, birinchi had codebook lossni, ikkinchi had commitment lossni, \(\beta\) esa commitment ogʻirligini bildiradi. Tadqiqotda \(\beta=0,25\) ishlatilgan. Kvantlash bevosita differensiallanuvchi boʻlmagani uchun gradient straight-through estimator orqali uzatiladi.

Angular Spectrum Method

Amplituda \(a(x,y)\) va faza \(\phi(x,y)\) maydonining \(d\) masofaga tarqalishi Fourier fazosida:

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

deb ifodalanadi.

Cheklangan chastota polosali tarqalish yadrosi:

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

koʻrinishidadir. \(f_x\) va \(f_y\) fazoviy chastotalarni, \(\lambda\) toʻlqin uzunligini, \(d\) esa tarqalish masofasini bildiradi. Yuqori fazoviy chastotalar fizik kesish chegarasidan tashqarida nolga tenglashtiriladi.

Uch tarkibli rekonstruksiya yoʻqotishi

Model maqsad amplitudasi bilan tarqalishdan soʻng olingan rekonstruksiya oʻrtasidagi xatoni uch xil nuqtai nazardan baholaydi:

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

MSE piksel darajasidagi sonli xatoni, MS-SSIM koʻp masshtabli strukturaviy oʻxshashlikni, Watson-DFT esa chastota sohasidagi idrokiy buzilishni ifodalaydi. Qiyosiy tajribalarda vaznlar \(w_{\mathrm{MSE}}=1\), \(w_{\mathrm{MS-SSIM}}=0,1\) va \(w_{\mathrm{WFFT}}=0,025\) boʻlgan.

Dastlabki \(N=100\) epoch davomida VQ-HoloNet warm-up oʻqitiladi. Soʻng Seq2Seq qismi faollashadi va yoʻqotish dastlabki kod kitobi \(e\) oʻrniga moslashtirilgan kod kitobi \(\tilde e\) dan foydalanadigan tarzda:

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

shakliga oʻtadi.

Tadqiqot tasdiqlaydigan va tasdiqlamaydigan jihatlar

Tadqiqot qoʻllab-quvvatlaydigan: Tekshirilgan DIV2K test toʻplamlari va koʻrsatilgan optik/sonli sharoitlarda RAVQ-HoloNet DPRC va JPEG asosidagi taqqoslashlardan pastroq bit tezligida raqobatbardosh yoki yuqoriroq rate–distortion natija koʻrsatishi mumkin. Shu model oilasida kod kitobi hajmini oʻzgartirish orqali turli bit tezliklariga erishiladi.

Tadqiqot qoʻllab-quvvatlamaydigan: Natijalar barcha golografik ekranlarda, barcha 3D sahnalarda, har qanday tarmoq sharoitida yoki tijorat AR/VR qurilmalarida bir xil yutuq kafolatlanishini koʻrsatmaydi. 3D, RGB-D, gaze-driven va camera-in-the-loop variantlar ushbu ishning tasdiqlangan natijalari emas, kelajak tadqiqot yoʻnalishlaridir.

Tadqiqot Usuli va Natijalari

Maʼlumotlar toʻplami va optik simulyatsiya

Modelni baholashda DIV2K toʻplamining 800 tasvirli oʻqitish manbasi ishlatilgan. Sinov uchun ikki alohida toʻplam belgilangan: DPRC avval qoʻllagan 100 tasvirli DIV2K validation qismtoʻplami Set1, DIV2Kning 50 tasvirli test qismtoʻplami Set2 deb atalgan.

Simulyatsiyada gologramma tekisligi piksel qadami 6,4 µm. RGB yorugʻlik uchun 450 nm koʻk, 520 nm yashil va 638 nm qizil toʻlqin uzunliklari ishlatilgan. Obyekt va gologramma tekisliklari orasidagi tarqalish masofasi 20 cm. Toʻlqin uzunligiga bogʻliq difraksiya sabab har bir rang kanali uchun alohida model oʻqitilgan.

Hisoblash infratuzilmasi va oʻqitish parametrlari

Set1 miqdoriy natijalari

VQ-HoloNet (low) DPRC High Quality bilan deyarli teng PSNRni taxminan yarmi Bppda oladi. Biroq SSIM taxminan %3 past, LPIPS esa 0,05 yuqori. Ultra-low konfiguratsiyasi bit tezligini low modelga nisbatan taxminan %78 kamaytirar ekan, PSNR taxminan %13 pasayadi.

Decoding vaqtlari nafaqat neural decoderni, balki entropy decodingni ham qamraydi. VQ-HoloNet kod kitobi indekslarini lookup table yordamida toʻgʻridan-toʻgʻri kod vektorlariga aylantirishi DPRC hyperprior hisoblariga nisbatan pastroq decoding vaqtining asosiy arxitektura sababidir.

Set2 natijalari

Set2da RAVQ-HoloNet (low) DPRC Mid Quality bilan deyarli bir xil bit tezligida yuqoriroq PSNRga erishadi; DPRC High Quality bilan solishtirilganda esa pastroq Bpp evaziga oʻxshash, biroq biroz pastroq rekonstruksiya sifatini beradi.

Rate–distortion natijasi

Set1da PSNR, SSIM va LPIPSning Bppga nisbatan chizilgan rate–distortion egri chiziqlarida RAVQ-HoloNet SGD+JPEG, WirtingerSGD+JPEG va HoloNet+JPEG kombinatsiyalaridan sezilarli yaxshiroq natija beradi. Manba ayniqsa JPEGning DCT asosli kvantlashi yuqori chastotali phase-only naqshlari uchun muammoli ekanini aytadi.

DPRCga nisbatan Bjøntegaard baholashida low konfiguratsiyasi uchun:

BD-Rate: −%33,91

BD-PSNR: +1,02 dB

xabar qilingan. Manfiy BD-Rate taqqoslangan rate–distortion oraligʻida oʻxshash sifat uchun oʻrtacha bit tezligi pastligini bildiradi.

Sifat jihatidan rekonstruksiyalar

Sonli misollarda sher moʻynasi, inson yuzidagi mayda ajinlar, toʻtiqush patlari va past yorugʻlikli sahna tafsilotlari baholangan. Masalan, toʻtiqush tasvirida RAVQ-HoloNet taxminan 34,400 dB PSNRni 1,630 Bppda olgan, DPRC esa oʻxshash PSNR uchun 2,620 Bpp ishlatgan. Boshqa qorongʻi sahnada RAVQ-HoloNet 32,654 dB atrofida rekonstruksiyani 1,740 Bpp bilan yaratgan, DPRCning taqqoslangan chiqishi esa 3,120 Bpp ishlatgan.

Kod kitobi hajmi 512dan 4096gacha oshgan sari low va ultra-low konfiguratsiyalarida rekonstruksiya tafsilotlari va chetlar aniqligi yaxshilangani vizual misollarda koʻrsatilgan. Bu kod kitobi hajmi bit tezligi–sifat murosasini bevosita boshqarishini qoʻllab-quvvatlaydi.

Fizik SLM tajriba qurilmasi

Laboratoriya tajribasida 813 nm toʻlqin uzunlikli yuqori quvvatli M2 Titanium Sapphire lazer ishlatilgan. Elliptik va astigmatik boshlangʻich nur silindrik linzalardan iborat beam-shaping moduli bilan diametri 6 mm boʻlgan aylana Gaussian nurga aylantirilgan; L1–L2 2:3 teleskopi orqali taxminan 9 mmgacha kengaytirilgan.

Yarim toʻlqin plastinalari va PBS1 qutblanishni Meadowlark P1920 suyuq kristalli SLM oʻqiga moslaydi. SLMga yuklangan faza naqshidan soʻng gologramma 13,5 mm masofada paydo boʻladi. L3–L4 4f tizimi nolinchi tartibli nurni Fourier tekisligida filtrlashga imkon beradi. PBS2 qolgan nolinchi-tartibli tarkibiy qismlarni kamaytiradi; L5–L6 2:1 teleskopi tasvirni Basler a2A2840-48umBAS CMOS kameraga uzatadi.

Kamera tasvirlarida lazer kogerentligi hamda kamera sensori bilan himoya oynasi orasidagi akslanishlar sabab Fabry–Perot interferensiya yoʻllari hosil boʻlgan. Manba SLMga bir xil faza yuklab Gaussian profilini baholash va oʻlchangan davriy modulyatsiyani boʻlish orqali olib tashlash bilan ushbu taʼsirni qoplagan.

Fizik rekonstruksiya natijasi

Taxminan 0,5 Bpp yaqinidagi fizik SLM taqqoslashlarida RAVQ-HoloNet chiqishlari SGD+JPEG va DPRCga nisbatan yuqoriroq kontrast va oʻtkirroq obyekt chetlarini koʻrsatgan. Shu bilan birga manba, ayniqsa silliq va yorqin qismlarda — pingvin misolining tanasi kabi — RAVQ-HoloNet rekonstruksiyasida buzilish kuzatilishi mumkinligini aniq qayd etadi.

Tajriba va simulyatsiya oʻrtasidagi farqlar

Fizik qurilmada RoI va mantiqiy piksel qadami dasturiy modelga imkon qadar yaqin saqlangan. Biroq laboratoriya lazerining mavjud toʻlqin uzunligi va optik stolning mexanik cheklovlari sabab fizik tarqalish masofasi simulyatsiyadan farq qiladi. Bundan tashqari kamera FOV butun rekonstruksiya maydonidan kichik boʻlgani uchun faqat ayrim qismi oʻlchangan.

Cheklovlar va kelajak tadqiqotlar

Ishning hozirgi versiyasi asosan 2D golografiyaga qaratilgan. RGB kanallari toʻlqin uzunligiga qarab alohida tarmoqlarda ishlangan. Mualliflar kelajakda umumiy kompleks RGB siqish, saliency yoki gaze-driven bit taqsimoti, RGB-D va 2.5D/full-3D golografiya, depth-aware tarqalish hamda camera-in-the-loop kalibrlashni oʻrganishni taklif qilishadi.

Manba shuningdek usulni tez golografik yangilanish talab qiladigan optik pinsetlar va neytral atom massivlarini boshqarish kabi rivojlangan optik qoʻllanmalarda tadqiq etish mumkinligini muhokama qiladi. Bular ishning tajribada isbotlangan qoʻllanmalari emas, kelajak yoʻnalishlaridir.

Manba va Usul Haqida Izoh

Asl tadqiqot: RAVQ-HoloNet: Rate-Adaptive Vector-Quantized Hologram Compression.

PDFdagi mualliflar tartibi: Shima Rafiei, Zahra Nabizadeh Shahr-Babak, Soroush Khoubyarian, Alexandre Cooper, Shadrokh Samavi, Shahram Shirani.

Aloqa uchun muallif: Zahra Nabizadeh Shahr-Babak.

Muassasalar: 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.

Platforma: SSRN.

SSRN Abstract ID: 6946746.

DOI: 10.2139/ssrn.6946746.

Rasmiy qayd sanasi: 15 iyun 2026.

Manba turi: Chuqur oʻrganishga asoslangan gologramma siqish tadqiqoti; sonli simulyatsiya va laboratoriya SLM tekshiruvini oʻz ichiga olgan preprint.

Taqriz holati: PDF tadqiqot hali taqrizdan oʻtmaganini ochiq bildiradi.

Bibliografik metadata farqi: Manba PDFda olti muallif keltirilgan, ammo joriy SSRN metadata sahifasida Shadrokh Samavi koʻrinmaydi. Bu farq hal boʻlgan deb hisoblanmagan; Verianla maqolasida PDFdagi toʻliq mualliflar ketma-ketligi saqlangan.

Litsenziya: Tekshirilgan PDF va tasdiqlanadigan rasmiy qaydda ochiq Creative Commons litsenziyasi tasdiqlanmagan. Shuning uchun asl rasmlar va grafik dizaynlar qayta nashr qilinmagan.

Moliyalashtirish, manfaatlar toʻqnashuvi va maʼlumotlar mavjudligi: Manba PDFda alohida moliyalashtirish, manfaatlar toʻqnashuvi yoki maʼlumotlar mavjudligi bayonoti aniqlanmagan. Yetishmagan maydonlar taxmin bilan toʻldirilmagan.

AI ishlatilgani haqidagi bayonot: Mualliflar yozish jarayonida tilni tahrirlash va jumlalarni yaxshilash uchun ChatGPTdan foydalanganliklarini; barcha mazmun mualliflar tomonidan koʻrib chiqilib tahrirlanganini alohida bayon qilishgan.

Manbadagi texnik nomuvofiqlik: Arxitektura boʻlimidagi low/ultra-low latent aniqliklari taʼrifi bilan implementation boʻlimidagi 1072×1920 uchun berilgan sonli latent oʻlchamlar nomlanishi bir-biriga teskari koʻrinadi. Nomuvofiqlik yashirincha tuzatilmagan.

Talqin chegarasi: Modelning simulyatsiyadagi rate–distortion natijalari va laboratoriya SLM tasvirlari usulning koʻrsatilgan tajriba sharoitidagi muvaffaqiyatini qoʻllab-quvvatlaydi; ammo toʻliq rangli 3D golografik tizimlar, dinamik AR/VR aloqasi yoki mahsulot darajasidagi edge apparatlarida ayni koʻrsatkichlarni kafolatlamaydi.