计算全息图的快速传输是光信息处理领域的研究热点之一。光全息术将物光和参考光叠加形成干涉条纹记录，再使用参考光重新照射全息图，再现出物光的原始图像，从而实现了三维物体信息的重构。计算机全息图的制作通过模拟光学全息术的过程而将干涉条纹数值化并记录保存在计算机中。因计算全息图的像素尺寸为3.45×3.45μm2，则一张计算全息图包含大量的像素信息，就需要高存储空间和大传输带宽。为了解决这样的大信息量的快速传输问题，本课题组，提出了采用压缩感知和量子启发式神经网络的两阶段压缩结构用于计算机全息图的处理方案。利用深度学习的压缩感知模型以低于奈奎斯特采样速率的方式对计算全息图进行采样并生成测量值，再利用量子启发式神经网络进一步提取更加紧凑的重要信息。实验证明，两阶段压缩结构避免了大多数压缩算法在高压缩比下的失真问题，可以在压缩期间保留更多的计算全息信息，从而更好地恢复全息图并有效地提高了再现图像的质量。此外，两阶段压缩模型比单一的量子启发式神经网络的计算效率要高250%～290%，使得全息计算效率和再现图像恢复质量都得到大幅提高，因此，该方法具有较大的应用潜力。
上述工作以标题为《采用压缩传感和量子启发式神经网络实现计算机全息图的快速传输》（Fast transmission of computer-generated hologram with compressed sensing and quantum-inspired neural network）的论文在线发表于国际光工程学会（SPIE）的《光学工程》（Optical Engineering）。2020级硕士研究生罗耿坤为第一作者，杨光临副教授为通讯作者，相关研究工作得到国家自然科学基金（No.62071009）支持。
原文链接：/index.html
论文链接：https://doi.org/10.1117/1.OE.62.5.053101
下图展示了计算机全息图和再现图像：
图1.菲涅耳离轴计算机全息图的记录和再现
(a)原图，（b）全息图，（c）再现像
