KR20220076946A

KR20220076946A - Cgh를 생성하는 방법 및 장치

Info

Publication number: KR20220076946A
Application number: KR1020200165947A
Authority: KR
Inventors: 양대호; 전명제; 홍종영; 이홍석
Original assignee: 삼성전자주식회사
Priority date: 2020-12-01
Filing date: 2020-12-01
Publication date: 2022-06-08
Also published as: US20220171334A1; US11740587B2

Abstract

일 실시예에 따르면, 이미지 평면으로부터 SLM 평면으로 객체 데이터를 전파함으로써 SLM 평면에서의 객체 데이터의 진폭 데이터 및 위상 데이터를 포함하는 복소 데이터를 획득하는 단계, 복소 데이터를 인코딩된 진폭 데이터로 인코딩하는 단계 및 인코딩된 진폭 데이터를 갖는 객체 데이터를 이용하여 CGH를 생성하는 단계를 포함하는 CGH를 생성하는 방법이 개시된다.

Description

CGH를 생성하는 방법 및 장치 {Method and apparatus for generating computer-generated hologram}

CGH(computer-generated hologram)를 생성하는 방법 및 장치에 관한다.

홀로그래피(holography)는, 빛의 진폭 및 위상을 조절하여 3D 공간 상에 객체를 재현함에 따라, 시야의 제한이 없고 입체 피로가 거의 없는 3D 공간 표현 기술의 일종이다. 따라서, 빛의 진폭 또는 위상을 제어할 수 있는 공간 광 변조기(Spatial Light Modulator(SLM))를 이용하여 실시간으로 고해상도 홀로그램을 구현하는 디바이스들이 많이 개발되고 있다. 홀로그램은, 물체파와 참조파의 간섭 패턴(interference pattern)을 이용하여 3D 공간 상에 표시될 수 있다. 최근에는 홀로그램을 재생하기 위한 간섭 패턴을 프로세싱함으로써 평면 디스플레이(flat panel display) 상에서 홀로그램을 제공할 수 있는 컴퓨터 생성 홀로그래피(computer-generated holography)가 활용되고 있다. 디지털 홀로그램을 생성하는 방법, 예를 들어 컴퓨터 생성 홀로그래피는, 광학 신호들을 근사화하고 수학적 연산을 통해 생성된 간섭 패턴을 계산함으로써, 홀로그램을 생성한다. 디지털 홀로그램 생성 방법은, 객체가 3D 포인트들, 폴리곤들, 또는 깊이 데이터들 등의 다양한 데이터의 집합으로 구성된다는 점에 기초하여, 객체를 구성하는 객체 데이터들을 계산함으로써, 완성된 홀로그램을 표현한다.

CGH(computer-generated hologram)를 생성하는 방법 및 장치를 제공하는데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.

상술한 기술적 과제를 해결하기 위한 수단으로서, 일 측면에 따른 CGH를 생성하는 방법은, 이미지 평면으로부터 SLM 평면으로 객체 데이터를 전파함으로써 상기 SLM 평면에서의 상기 객체 데이터의 진폭 데이터 및 위상 데이터를 포함하는 복소 데이터를 획득하는 단계; 상기 복소 데이터를 인코딩된 진폭 데이터로 인코딩하는 단계; 및 상기 인코딩된 진폭 데이터를 갖는 상기 객체 데이터를 이용하여 CGH를 생성하는 단계를 포함할 수 있다.

다른 측면에 따른 CGH를 생성하는 장치는, 적어도 하나의 프로그램이 저장된 메모리; 및 상기 적어도 하나의 프로그램을 실행함으로써 CGH를 생성하는 프로세서를 포함하고, 상기 프로세서는, 이미지 평면으로부터 SLM 평면으로 객체 데이터를 전파함으로써 상기 SLM 평면에서의 상기 객체 데이터의 진폭 데이터 및 위상 데이터를 포함하는 복소 데이터를 획득하고, 상기 복소 데이터를 인코딩된 진폭 데이터로 인코딩하고, 상기 인코딩된 진폭 데이터를 갖는 상기 객체 데이터를 이용하여 CGH를 생성할 수 있다.

또 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 기록매체를 포함할 수 있다.

도 1은 일 실시예에 따른 컴퓨터 생성 홀로그래피의 원리를 설명하기 위한 도면이다.
도 2a 및 도 2b는 일 실시예에 따라 깊이 맵 방식으로 객체의 CGH를 생성할 때, 객체에 대한 깊이 레이어 별 2D 이미지들을 설명하기 위한 도면들이다.
도 3은 일 실시예에 따른 CGH 생성 장치의 하드웨어 구성을 도시한 블록도이다.
도 4는 일 실시예에 따른 객체 데이터의 전파를 설명하기 위한 도면이다.
도 5는 다른 실시예에 따른 CGH 생성 장치의 하드웨어 구성을 도시한 블록도이다.
도 6은 일 실시예에 따른 CGH 이미지를 도시한 도면이다.
도 7a 및 도 7b는 SLM으로부터 방출되는 빛을 주파수 별로 도시한 도면들이다.
도 8은 일 실시예에 따른 딥러닝 네트워크를 이용하여 인코딩을 수행하는 방법을 설명하기 위한 도면이다.
도 9는 다른 실시예에 따른 CGH 이미지를 도시한 도면이다.
도 10은 일 실시예에 따른 CGH 생성 장치의 동작 방법을 나타내는 흐름도이다.

본 실시예들에서 사용되는 용어는 본 실시예들에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 기술분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 임의로 선정된 용어도 있으며, 이 경우 해당 실시예의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 실시예들에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 실시예들의 전반에 걸친 내용을 토대로 정의되어야 한다.

실시예들에 대한 설명들에서, 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 그 중간에 다른 구성요소를 사이에 두고 전기적으로 연결되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 실시예들에서 사용되는 "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 명세서에서 사용되는 '제1' 또는 '제2' 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다.

하기 실시예들에 대한 설명은 권리범위를 제한하는 것으로 해석되지 말아야 하며, 해당 기술분야의 당업자가 용이하게 유추할 수 있는 것은 실시예들의 권리범위에 속하는 것으로 해석되어야 할 것이다. 이하 첨부된 도면들을 참조하면서 오로지 예시를 위한 실시예들을 상세히 설명하기로 한다.

도 1은 일 실시예에 따른 컴퓨터 생성 홀로그래피의 원리를 설명하기 위한 도면이다.

관찰자(observer)는 안구(eye ball)를 통하여 공간 상에 존재하는 물체를 인식할 수 있다. 관찰자는 객체로부터 반사된 빛이 안구 정면의 수정체 렌즈(eye lens)를 통해 굴절되어 안구 후면의 망막(retina)에 맺힘으로써, 공간 상의 객체를 볼 수 있다. 이와 같은 원리를 이용하여, 컴퓨터 생성 홀로그래피의 원리를 구현할 수 있다.

관찰자의 수정체 렌즈 평면(eye lens plane) W(u,v) (14)의 초점을 특정한 깊이 레이어(L₁, L_M 또는 L_N)에 대응시키면, 그 깊이 레이어 상의 이미지는 망막 평면(retina plane) Q(x₂, y₂) (13)에 이미징 초점을 갖는 것으로 가정할 수 있다. 그리고 나서, 망막 평면(13)에 맺힌 이미지를 역으로 SLM(Spatial Light Modulator) 평면 또는 CGH 평면 P(x₁, y₁) (15)에 전파함으로써(propagate) SLM 평면(또는 'CGH 평면'이라 한다.)(15)에서의 복소 광파 필드(complex light wave field)를 계산할 수 있고 이로써, CGH를 표현하기 위한 CGH 간섭 패턴이 획득될 수 있다. SLM 평면은 SLM의 광원을 포함하며 광원으로부터 방출되는 빛에 대하여 수직인 평면이다.

컴퓨터 생성 홀로그래피는 포인트 클라우드 방식, 폴리곤 방식, 깊이 맵(depth map)(또는 레이어 기반(layer-based)) 방식 등으로 분류될 수 있다. 포인트 클라우드 방식은 물체의 표면을 수많은 점들로 표현하고 각 점의 간섭 패턴을 계산하므로 정교한 깊이 표현이 가능하지만 점들의 개수에 따라 계산량이 매우 증가하게 된다. 폴리곤 방식은 물체 표면을 다각형 메시들로 표현하고 각 간섭 패턴을 계산하여, 물체의 정교함은 떨어지더라도 계산량이 적게 된다. 깊이 맵 방식은 레이어 기반 방식으로서, 2차원 인텐시티(2D intensity) 이미지와 깊이 데이터를 이용하여 CGH를 생성하는 방식이며, 이미지의 해상도에 따라 계산량이 결정될 수 있다.

깊이 맵 방식은, 객체를 다중 깊이(multi depth)로 근사화하여 모델링한 후 CGH를 생성하는 방식이므로, 다른 방식들에 비해 계산의 효율이 높을 수 있다. 또한, 일반 사진과 같은 2D 인텐시티 정보와 깊이 정보만으로도 CGH의 생성이 가능하다.

깊이 맵 방식에 따라 CGH를 생성할 때, 컴퓨터 생성 홀로그래피의 프로세싱의 대부분은 푸리에 변환(FFT(fast Fourier transform)) 연산이 차지한다. 프로세싱에서의 푸리에 변환(FFT)은, 이미지의 프레넬 회절(Fresnel diffraction)에 의해 얻어지는 회절상(diffracted image)의 분포를 구하기 위한 연산으로서, GFT(Generalized Fresnel Transform) 또는 프레넬 변환(Fresnel Transform)에 해당하고, 이는 당해 기술분야의 통상의 기술자에게 자명하다. 한편, 본 실시예들에서 푸리에 변환의 용어는 푸리에 변환을 이용한 연산들인, 고속 푸리에 변환(FFT), GFT, 프레넬 변환 등을 포함하는 용어일 수 있다.

도 2a 및 도 2b는 일 실시예에 따라 깊이 맵 방식으로 객체의 CGH를 생성할 때, 객체에 대한 깊이 레이어 별 2D 이미지들을 설명하기 위한 도면들이다.

도 2a를 참조하면, 객체(200)는 수정체 렌즈 평면 W(u,v) (14)과 SLM 평면(또는 CGH 평면) P(x₁, y₁) (15) 사이의 공간 상에 위치하고 있다. 다만, 이는 예시에 불과하며 객체의 위치는 수정체 렌즈 평면(14)을 기준으로 SLM 평면(15) 뒤에 위치하거나, SLM 평면(15)을 기준으로 수정체 렌즈 평면(14)의 뒤에 위치하는 등 다양하게 설정될 수 있다.

깊이 맵 방식에 따르면, 이 공간은 소정 개수의 깊이 레이어들로 분할되는 것으로 설정될 수 있다. 여기서, 깊이 레이어들의 개수는 사용자 설정에 의해 변경될 수 있는 임의의 개수로서, 예를 들어 깊이 레이어들의 개수는 256개이거나 또는 다른 개수일 수 있다.

도 2b를 참조하면, 객체(200)는 기 설정된 개수의 깊이 레이어들에 대응하는 깊이 이미지들(220)로 모델링될 수 있다. 깊이 이미지들 각각은 해당 깊이에서의 객체(200)의 객체 데이터(221 내지 224)를 포함하고 있다. 일 실시예에서 객체 데이터(221 내지 224)는 해당 깊이에서의 객체(200)를 나타내기 위한 빛의 진폭(amplitude) 및 위상(phase)에 관한 정보를 포함한다.

도 3은 일 실시예에 따른 CGH 생성 장치의 하드웨어 구성을 도시한 블록도이다.

도 3을 참조하면, CGH 생성 장치(100)는 프로세서(112) 및 메모리(114)를 포함할 수 있다. 도 3에 도시된 CGH 생성 장치(100)에는 본 실시예들와 관련된 구성요소들만이 도시되어 있다. 따라서, CGH 생성 장치(100)에는 도 3에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당업자에게 자명하다.

프로세서(112)는 PC(personal computer), 서버 디바이스, TV(television), 모바일 디바이스(스마트폰, 태블릿 디바이스 등), 임베디드 디바이스, 자율주행 자동차, 웨어러블 디바이스, AR(Augmented Reality) 디바이스, IoT(Internet of Things) 디바이스 등의 다양한 종류의 컴퓨팅 디바이스들에 구비된 프로세서에 해당할 수 있다. 예를 들어, 프로세서(112)는 CPU(central processing unit), GPU(graphics processing unit), AP(application processor), NPU(neural processing unit) 등과 같은 프로세서에 해당할 수 있으나, 이에 제한되지 않는다.

프로세서(112)는 다수의 논리 게이트들의 어레이로 구현될 수도 있고, 범용적인 마이크로 프로세서와 이 마이크로 프로세서에서 실행될 수 있는 프로그램이 저장된 메모리의 조합으로 구현될 수도 있다. 또한, 다른 형태의 하드웨어로 구현될 수도 있음을 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

프로세서(112)는 프로세서(112)가 구비된 CGH 생성 장치(100)를 제어하기 위한 전반적인 기능들을 수행하는 역할을 한다. 프로세서(112)는 메모리(114)에 저장된 프로그램들을 실행함으로써, CGH 생성 장치(100)를 전반적으로 제어할 수 있다. 예를 들어, CGH 생성 장치(100)가 디스플레이 장치(150) 내에 구비된 경우, 프로세서(112)는 CGH 생성 장치(100)에 의한 이미지 처리를 제어함으로써 디스플레이 장치(150)에 의한 홀로그래픽 이미지의 표시를 제어할 수 있다.

디스플레이 장치(150)는 CGH 생성 장치(100)에 의해 생성된 CGH에 기초하여 3D 공간 상에 홀로그래픽 이미지를 표시할 수 있는 장치에 해당할 수 있다. 디스플레이 장치(150)는 공간 광 변조기(SLM)(155)와 같은 홀로그램 재생을 위한 하드웨어 모듈을 포함할 수 있다. SLM(155)은 빛의 진폭을 제어하는 Amplitude SLM 또는 빛의 위상을 제어하는 Phase SLM 등에 해당할 수 있다. 또한, 디스플레이 장치(150)는 LCoS, LCD, OLED 등과 같은 다양한 종류의 디스플레이 패널을 포함할 수 있다. 즉, 디스플레이 장치(150)는 CGH를 생성하기 위한 CGH 생성 장치(100) 외에도, 홀로그래픽 이미지를 표시하기 위한 다양한 하드웨어 모듈들, 하드웨어 구성들을 포함할 수 있다.

한편, CGH 생성 장치(100)는 디스플레이 장치(150)의 외부에 구현된 별도의 독립적인 장치일 수 있다. 이때, 디스플레이 장치(150)는 외부의 CGH 생성 장치(100)에 의해 생성된 CGH 데이터를 수신하고, 수신된 CGH 데이터에 기초하여 홀로그래픽 이미지를 표시할 수 있다. 즉, CGH 생성 장치(100)와 디스플레이 장치(150)의 구현 방식은 어느 하나의 실시예에 의해 제한되지 않는다.

메모리(114)는 프로세서(112) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 예를 들어, 메모리(114)는 프로세서(112)에서 처리된 CGH 데이터들 및 처리될 CGH 데이터들을 저장할 수 있다. 또한, 메모리(114)는 프로세서(112)에 의해 구동될 다양한 애플리케이션들, 예를 들어 홀로그램 재생 애플리케이션, 웹 브라우징 애플리케이션, 게임 애플리케이션, 비디오 애플리케이션 등을 저장할 수 있다.

메모리(114)는 휘발성 메모리(volatile memory) 또는 불휘발성 메모리(nonvolatile memory) 중 적어도 하나를 포함할 수 있다. 불휘발성 메모리는 ROM (Read Only Memory), PROM (Programmable ROM), EPROM (Electrically Programmable ROM), EEPROM (Electrically Erasable and Programmable ROM), 플래시 메모리, PRAM (Phase-change RAM), MRAM (Magnetic RAM), RRAM (Resistive RAM), FeRAM (Ferroelectric RAM) 등을 포함한다. 휘발성 메모리는 DRAM (Dynamic RAM), SRAM (Static RAM), SDRAM (Synchronous DRAM), PRAM (Phase-change RAM), MRAM (Magnetic RAM), RRAM (Resistive RAM) 등을 포함한다. 실시예에 있어서, 메모리(114)는 HDD(Hard Disk Drive), SSD(Solid State Drive), CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 Memory Stick 중 적어도 하나로 구현될 수 있다.

프로세서(112)는 이미지 평면으로부터 SLM 평면으로 객체 데이터를 전파할 수 있다. 이미지 평면은 객체 데이터를 포함하는 평면으로서, SLM(155)을 통해 공간 상에 CGH를 출력(재생 또는 표시)하고자 하는 위치에 존재하며 SLM 평면과 평행하다. 이미지 평면은 설정에 따라 한 개 또는 복수 개가 존재할 수 있다. 이미지 평면은 도 2a 및 도 2b를 참조하여 설명한 깊이 레이어에 대응될 수 있으므로 중복되는 설명은 생략한다.

프로세서(112)는 SLM 평면으로 전파된 객체 데이터에 대해, SLM 평면에서의 객체 데이터의 진폭 데이터 및 위상 데이터를 포함하는 복소 데이터를 획득할 수 있다. 이미지 평면에서부터 SLM 평면까지 전파된 객체 데이터에는 이미지 평면에 대해 수직인 성분에 대한 데이터까지 포함될 수 있으므로, 프로세서(112)는 객체 데이터를 SLM 평면으로 전파하는 과정을 수행한다.

프로세서(112)는 복소 데이터를 인코딩된 진폭 데이터로 인코딩할 수 있다. 프로세서(112)는 객체 이미지에 대해 SLM(155)에 입력하기에 적합한 형태로 인코딩을 수행할 수 있다. 예를 들어, 프로세서(112)는 Amplitude SLM를 통해 CGH를 출력하기 위해, 복소 데이터를 진폭 성분만을 갖도록 인코딩된 진폭 데이터로 인코딩할 수 있다. 프로세서(112)가 복소 데이터를 인코딩하는 방법으로, 푸리에 변환을 이용하거나 객체 데이터에 대한 켤레복소수(complex conjugate)를 이용하는 방법 또는 Burch 인코딩 등을 활용할 수 있다. 다만, 이는 예시에 불과하고 복소 값을 진폭 값으로 인코딩할 수 있는 방법이라면 제한 없이 활용될 수 있다.

프로세서(112)는 인코딩된 진폭 데이터를 갖는 객체 데이터를 이용하여 CGH를 생성할 수 있다. 이미지 평면이 복수 개로 설정되는 경우, 프로세서(112)는 이미지 평면 각각에 대해 복소 데이터를 획득하는 과정 및 인코딩하는 과정을 수행할 수 있다. 즉, 프로세서(112)는 각 이미지 평면의 객체 데이터를 SLM 평면으로 전파함으로써 복소 데이터를 획득하고, 각 객체 데이터의 복소 데이터를 인코딩할 수 있다. 프로세서(112)는 인코딩된 진폭 데이터를 갖는 각각의 객체 데이터 모두를 병합함으로써 CGH를 생성할 수 있다.

이미지 평면의 개수가 많을 수록 CGH에서 객체의 입체성이 더욱 명확히 드러날 수 있다. 다만, 이미지 평면의 개수가 많을수록 연산량이 증가하므로 이미지 평면의 개수는 프로세서(112)의 성능, 딥러닝 네트워크의 성능, 객체의 크기 및 복잡성, 이미지 평면과 SLM 평면 사이의 거리 및 CGH 생성에 허용되는 시간 등을 고려하여 적절히 설정될 수 있다.

한편, 디스플레이 장치(150)에 포함되는 SLM(155)은 Amplitude SLM에 해당할 수 있다. 프로세서(112)는 인코딩된 진폭 데이터를 포함하는 CGH를 Amplitude SLM에 입력함으로써 Amplitude SLM을 통해 CGH를 출력(재생 또는 표시)할 수 있다.

도 4는 일 실시예에 따른 객체 데이터의 전파를 설명하기 위한 도면이다.

도 4를 참조하면 SLM 평면(15), 이미지 평면 R(x₃, y₃) (16) 및 객체(200)가 도시되며, 이미지 평면(16)은 객체(200)의 일부를 가로지르는 형태로 형성될 수 있다.

이미지 평면(16)은 설정에 따라 한 개 또는 복수 개가 존재할 수 있다. 이미지 평면(16)은 객체(200)의 객체 데이터를 포함하고, 객체 데이터는 객체(200)와 이미지 평면(16)이 접하는 영역의 윤곽의 형태로 표현될 수 있다. 예를 들어, 도 2b의 깊이 이미지들(220)과 같은 형태로 표현될 수 있다.

프로세서는 이미지 평면(16)으로부터 SLM 평면(15)으로 객체 데이터를 전파함으로써 SLM 평면(15)에서의 객체 데이터의 복소 데이터를 획득할 수 있다. 이미지 평면(16)은 x₃ 및 y₃성분만으로 구성되므로, 이미지 평면(16)과 수직인 z₃성분에 대한 데이터 또한 획득하기 위하여 프로세서는 z₃성분에 대응되는 방향인 이미지 평면(16)으로부터 SLM 평면(15)으로 향하는 방향으로 객체 데이터를 전파할 수 있다.

도 4에 도시된 바와 같이 이미지 평면(16)이 복수 개로 설정된 경우, 프로세서는 각 이미지 평면(16)의 객체 데이터를 모두 SLM 평면(15)으로 전파시킬 수 있다. 프로세서는 전파된 객체 데이터의 각각의 복소 데이터를 획득할 수 있다.

도 5는 다른 실시예에 따른 CGH 생성 장치의 하드웨어 구성을 도시한 블록도이다.

도 5를 참고하면, CGH 생성 장치(100)는 프로세서(112) 및 메모리(114)를 포함하고, 프로세서(112)는 딥러닝 네트워크(160)를 제어할 수 있다. 도 5에 도시된 CGH 생성 장치(100)에는 본 실시예들와 관련된 구성요소들만이 도시되어 있다. 따라서, CGH 생성 장치(100)에는 도 5에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당업자에게 자명하다.

도 5의 프로세서(112), 메모리(114), 디스플레이 장치(150) 및 SLM(155)은 각각 도 3의 프로세서(112), 메모리(114), 디스플레이 장치(150) 및 SLM(155)에 대응될 수 있으므로 중복되는 설명은 생략한다.

딥러닝 네트워크(160)는 딥 뉴럴 네트워크(Deep Neural Network, DNN) 또는 n-계층 뉴럴 네트워크(n-layers neural networks)의 아키텍처일 수 있다. DNN 또는 n-계층 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(Convolutional Neural Networks, CNN), 리커런트 뉴럴 네트워크(Recurrent Neural Networks, RNN), Deep Belief Networks, Restricted Boltzman Machines 등에 해당될 수 있다.

한편, 딥러닝 네트워크(160)는 CGH 생성 장치(100)의 외부에 구현된 별도의 독립적인 장치에 포함될 수 있다. 이때, 딥러닝 네트워크(160)는 외부의 CGH 생성 장치(100)에 의해 데이터를 입력 받고, 딥러닝 연산을 수행한 결과를 출력할 수 있다. 다만, 도 5에 도시된 것과 달리 딥러닝 네트워크(160)는 CGH 생성 장치(100)에 포함될 수도 있다. 즉, CGH 생성 장치와 딥러닝 네트워크(160)의 구현 방식은 어느 하나의 실시예에 의해 제한되지 않는다.

프로세서(112)는 객체 데이터를 SLM 평면으로 전파하고 복소 데이터를 획득하는 과정을 딥러닝 네트워크(160)를 이용하여 수행할 수 있다. 프로세서(112)는 복소 데이터를 인코딩하는 과정 또한 딥러닝 네트워크(160)를 이용하여 수행할 수 있다. 즉, 프로세서(112)는 두 과정 중 어느 하나만을 딥러닝 네트워크(160)를 이용하여 수행하거나, 두 과정 모두를 딥러닝 네트워크(160)를 이용하여 수행할 수 있다.

CGH 생성 장치(100)는 CGH를 생성하는데 있어 딥러닝 네트워크(160)를 활용함으로써 보다 효과적으로 연산을 수행하고 보다 선명한 화질의 CGH를 생성할 수 있다. CGH를 생성하는 방법에 있어 연산량의 대부분을 차지하는 과정은 객체 데이터를 SLM 평면으로 전파하고 복소 데이터를 획득하는 과정이다. 따라서, CGH 생성 장치(100)는 딥러닝 네트워크(160)를 이용함으로써 해당 과정을 비교적 빠른 속도로 수행할 수 있다.

CGH 생성 장치(100)가 복소 데이터를 인코딩하는 과정에서 딥러닝 네트워크(160)를 이용하는 방법에 관해서는 도 7a, 도 7b 및 도 8을 참조하여 후술하도록 한다.

도 6은 일 실시예에 따른 CGH 이미지를 도시한 도면이다.

도 6을 참조하면, 생성된 CGH를 관찰자의 수정체 렌즈 평면을 기준으로 거리 별로 나열한 CGH 이미지(610)가 도시된다. 수정체 렌즈 평면을 기준으로 멀어질수록 좌측 상단으로부터 우측 상단으로, 좌측 하단으로부터 우측 하단으로 나열되었다.

도 6에 도시된 CGH 이미지(610)는 객체 데이터를 SLM 평면으로 전파하고 복소 데이터를 획득하는 과정을 딥러닝 네트워크를 이용하여 수행한 결과 생성된 CGH에 대한 이미지이다.

도 6의 좌측 상단의 이미지로부터 8번째 이미지가 가장 선명하므로, 수정체 렌즈 평면의 초점이 8번째 이미지의 위치에 대응됨을 알 수 있다. 8번째 이미지로부터 멀어질수록 수정체 렌즈 평면의 초점으로부터 멀어지므로 이미지의 선명도는 저하된다.

도 7a 및 도 7b는 SLM으로부터 방출되는 빛을 주파수 별로 도시한 도면들이다.

도 7a를 참조하면 SLM으로부터 방출되는 고주파의 빛(720)이 수정체 렌즈의 외부에 도달하고, SLM으로부터 방출되는 저주파의 빛(710)이 수정체 렌즈에 도달하는 것이 도시된다.

CGH가 SLM을 통해 출력될 때 SLM으로부터 CGH에 대응되는 빛이 방출될 수 있다. SLM으로부터 다양한 주파수의 빛이 방출될 수 있는데 주파수가 높은 빛일수록 CGH의 세밀한 부분을 표현한다. 따라서, SLM으로부터 방출되는 빛이 고주파의 빛을 포함하여 모두 수정체 렌즈에 도달해야 관찰자에게 선명한 이미지가 제공될 수 있다.

다만, 빛의 주파수와 굴절률은 비례하므로, 빛의 주파수가 높을수록 굴절이 많이 되어 빛이 수정체 렌즈 평면(14)에 도달했을 때 수정체 렌즈의 중앙으로부터 먼 지점에 도달할 수 있다. 도 7a에 도시된 바와 같이 고주파의 빛(720)은 수정체 렌즈 평면(14) 상에서 수정체 렌즈의 중앙으로부터 수정체 렌즈의 반지름(ρ)보다 먼 거리의 지점에 도달하고, 저주파의 빛(710)은 수정체 렌즈에 도달할 수 있다. 이 경우, 관찰자에게 고주파의 빛(720)에 대응되는 이미지가 제공될 수 없으므로, 관찰되는 CGH는 선명도가 비교적 낮을 것이다. 따라서, 고주파의 빛(720) 또한 수정체 렌즈에 도달할 수 있도록 CGH 생성 장치는 객체 데이터의 위상을 조정할 수 있다.

도 7b를 참조하면 도 7a의 고주파의 빛(720)에 대응되는 빛(721)을 포함한, SLM으로부터 방출되는 모든 빛(711, 721)이 수정체 렌즈에 도달하는 것이 도시된다. 도 7b에 도시된 바와 같이, 생성된 CGH가 SLM을 통해 출력될 때 SLM으로부터 방출되는 빛이 모두 수정체 렌즈에 도달할 수 있도록, CGH 생성 장치는 이미지 평면에서의 객체 데이터를 조정할 수 있다.

이미지 평면에서의 객체 데이터는 기본적으로 이미지의 밝기 또는 모양 등에 관련되는 진폭 데이터를 포함하고 있으나, 위상 데이터는 포함하지 않을 수 있다. 따라서, 객체 데이터에 대한 복소 데이터를 획득하기 위하여, 프로세서는 이미지 평면에서의 객체 데이터에 위상 데이터를 부여할 수 있다. 이 때, 프로세서는 딥러닝 네트워크를 이용하여 위상 데이터를 부여할 수 있다.

이미지 평면에서의 객체 데이터에 부여된 위상 데이터에 따라 SLM으로부터 방출되는 빛의 주파수가 결정될 수 있다. 구체적으로, 위상 데이터가 부여된 객체 데이터가 SLM 평면(15)으로 전파되고, 전파된 객체 데이터에 대한 인코딩이 수행되면 CGH가 생성될 수 있다. 이 때, 생성된 CGH가 SLM을 통해 출력될 때 SLM으로부터 방출되는 빛의 주파수는 이미지 평면에서의 객체 데이터에 부여된 위상 데이터에 따라 결정될 수 있다. 따라서, 프로세서는 생성된 CGH에 대한 빛의 주파수가 비교적 낮게 형성되어 빛이 모두 수정체 렌즈를 통과할 수 있도록 이미지 평면에서의 객체 데이터에 부여할 위상 데이터를 결정할 수 있다.

프로세서는 빛의 주파수, 관찰자와 SLM 평면(15) 사이의 거리(d) 및 수정체 렌즈의 크기에 기초하여 위상 데이터를 부여할 수 있다. 수정체 렌즈의 크기는 수정체 렌즈의 반지름(ρ)에 대응될 수 있다. 예를 들어, 프로세서는 이미지 평면에서의 객체 데이터에 임의로 위상 데이터를 부여한 후, 이로부터 생성된 CGH에 대한 빛의 주파수가 모두 일정 값 미만으로 조정되도록 이미지 평면에서의 객체 데이터에 조정된 위상 데이터를 다시 부여할 수 있다.

수정체 렌즈 평면(14)과 SLM 평면(15) 사이의 거리(d)가 멀수록, 굴절된 빛이 수정체 렌즈의 외부에 도달할 확률이 증가한다. 따라서, 거리(d)가 멀수록 빛의 주파수가 낮아야 빛이 수정체 렌즈에 도달할 수 있으므로 프로세서는 거리(d)에 기초하여 이미지 평면에서의 객체 데이터에 위상 데이터를 부여할 수 있다. 또한, 수정체 렌즈의 반지름(ρ)이 클수록 수용할 수 있는 빛의 주파수 범위가 넓어진다. 따라서, 수정체 렌즈의 반지름(ρ)이 작을수록 빛의 주파수가 낮아야 수정체 렌즈에 도달할 수 있으므로 프로세서는 수정체 렌즈의 크기에 기초하여 이미지 평면에서의 객체 데이터에 위상 데이터를 부여할 수 있다. 수정체 렌즈의 크기는 평균적인 수정체 렌즈의 크기로 설정되거나 임의의 관찰자의 수정체 렌즈에 대해 측정된 크기일 수 있다.

한편, CGH 생성 장치는 이미지 평면에서의 객체 데이터에 위상 데이터를 부여하는 과정을 딥러닝 네트워크를 통해 수행할 수 있다. 딥러닝 네트워크는 SLM으로부터 방출되는 빛이 모두 관찰자의 수정체 렌즈를 통과할 수 있도록 딥러닝 연산을 통해 이미지 평면에서의 객체 데이터에 부여할 위상 데이터를 결정할 수 있다. 따라서, CGH 생성 장치는 딥러닝 네트워크를 활용함으로써 보다 효율적이고 정확하게 객체 데이터에 위상 데이터를 부여할 수 있다.

도 8은 일 실시예에 따른 딥러닝 네트워크를 이용하여 인코딩을 수행하는 방법을 설명하기 위한 도면이다.

CGH 생성 장치는 보다 선명한 화질의 CGH가 생성될 수 있도록 복소 데이터(810)를 인코딩하는데 있어 딥러닝 네트워크(160)를 활용할 수 있다. 딥러닝을 활용하여 인코딩을 수행하는 방법으로 원본 데이터(입력 데이터)에 대해 딥러닝 연산이 수행된 출력 데이터와 목표 데이터(또는 레이블 데이터)를 비교하는 방법이 일반적이다. 이와 달리 CGH 생성 장치는 목표 데이터를 이용하지 않고, 출력 데이터(820)를 딥러닝 네트워크(160)에 역방향으로 다시 입력함으로써 생성되는 데이터(830)와 원본 데이터(810)를 비교하는 방법을 수행할 수 있다.

프로세서(112)는 복소 데이터(810)를 딥러닝 네트워크(160)에 입력할 수 있다. 딥러닝 네트워크(160)는 복소 데이터(810)에 대해 인코딩 연산을 수행함으로써 출력 데이터(820)를 출력할 수 있다.

프로세서(112)는 출력 데이터(820)를 딥러닝 네트워크(160)에 역방향으로 입력할 수 있다. 딥러닝 네트워크(160)에서 복소 데이터(810)가 연산된 방향의 역방향으로 출력 데이터(820)에 대한 연산이 수행될 수 있다. 예를 들어, 복소 데이터(810)가 딥러닝 네트워크(160)에서 제1 레이어, 제2 레이어 및 제3 레이어의 순서를 통해 연산되었다면 출력 데이터(820)는 제3 레이어, 제2 레이어 및 제1 레이어의 순서를 통해 연산될 수 있다. 딥러닝 네트워크(160)는 출력 데이터(820)에 대해 역방향으로 연산을 수행함으로써 역방향 데이터(830)를 출력할 수 있다.

역방향 데이터(830)가 복소 데이터(810)와 유사할수록, 출력 데이터(820)는 복소 데이터(810)가 정확하게 인코딩된 데이터일 수 있다. 프로세서(112)는 역방향 데이터(830)와 복소 데이터(810)를 비교할 수 있다. 예를 들어, 프로세서(112)는 복소 데이터(810)와 역방향 데이터(830)에 각각에 포함되는 진폭 데이터 및 위상 데이터의 차이를 연산할 수 있다. 프로세서(112)는 연산된 차이에 기초하여 딥러닝 네트워크(160)의 연산 과정에서 발생한 손실을 연산할 수 있다. 연산된 차이의 절대값이 클수록 딥러닝 네트워크(160)에서 수행된 인코딩 연산에서 발생한 손실이 클 수 있다.

출력 데이터(820)가 객체 데이터에 대응되는 프린지 패턴(fringe pattern)을 구체적으로 구현해내지 못한 경우, 손실이 크게 연산될 수 있다. 프린지 패턴은 고주파의 성분을 갖는 것으로서 출력 데이터(820)에서 이미지의 디테일한 부분 또는 이미지의 외곽 부분을 포함할 수 있다. 프린지 패턴이 구체적으로 구현되지 않는 경우 관찰자에게 낮은 선명도를 갖는 CGH가 제공될 수 있다.

따라서, 이러한 손실을 최소화하기 위해, 프로세서(112)는 역방향 데이터(830)와 복소 데이터(810)의 차이가 최소화되도록 딥러닝 네트워크(160)를 조정할 수 있다. 프로세서(112)는 딥러닝 네트워크(160)가 복소 데이터(810)에 대한 연산을 수행함에 있어, 역방향 데이터(830)와 복소 데이터(810)의 차이가 최소화되는 것을 목표로 하도록 딥러닝 네트워크(160)를 조정할 수 있다.

프로세서(112)는 역방향 데이터(830)와 복소 데이터(810)의 차이가 기 설정된 크기 이하가 될 때까지, 복소 데이터(810)를 딥러닝 네트워크(160)에 입력하는 과정부터 역방향 데이터(830)와 복소 데이터(810)의 차이를 연산하는 과정까지를 반복할 수 있다. 예를 들어, 기 설정된 크기와 비교되는 역방향 데이터(830)와 복소 데이터(810)의 차이는 복소 데이터(810)와 역방향 데이터(830) 각각에 포함되는 진폭 데이터 및 위상 데이터의 차이의 절대값일 수 있다.

프로세서(112)는 역방향 데이터(830)와 복소 데이터(810)의 차이가 기 설정된 크기 이하로 연산된 경우 복소 데이터(810)를 딥러닝 네트워크(160)에 입력하는 과정을 중단할 수 있다. 기 설정된 크기 이하의 차이를 갖는 역방향 데이터(830) 및 복소 데이터(810)에 대응되는 출력 데이터(820)가 CGH 생성에 이용되는 인코딩된 진폭 데이터에 해당할 수 있다. 즉, 위 반복하는 과정 중 마지막 과정에서 생성된 출력 데이터(820)가 CGH 생성에 이용되는 인코딩된 진폭 데이터에 해당할 수 있다.

다만 상술한 일반적인 방법인, 딥러닝을 이용하여 출력 데이터와 목표 데이터를 비교하는 방법에서는 출력 데이터와 목표 데이터의 프린지 패턴에 큰 차이가 있더라도 이를 사소한 차이로 인식하여 전체적인 차이는 크지 않은 것으로 판단한다. 따라서, 상술한 일반적인 방법에서는 프린지 패턴을 구체적으로 구현해내기 어려우므로 출력 데이터가 이미지의 개괄적인 부분은 표현할 수 있을지라도 디테일한 부분을 표현하는데는 제한이 있다.

한편, 프린지 패턴이 구체적으로 구현되지 않은 출력 데이터(820)로부터 생성된 역방향 데이터(830)는 복소 데이터(810)와 차이가 크게 나타날 수 있다. 따라서, CGH 생성 장치는 역방향 데이터(830)를 생성하는 방법을 채용함으로써 프린지 패턴을 구체적으로 구현한 출력 데이터(820)를 출력할 수 있고 이미지의 디테일한 부분도 상술한 일반적인 방법에 비하여 선명하게 표현할 수 있다.

또한, 이와 같은 방법으로 역방향 데이터(830)와 복소 데이터(810)의 차이를 감소시킴에 따라, 대응되는 출력 데이터(820)에 포함되는 노이즈가 감소할 수 있다. 노이즈는 CGH의 선명도를 저하시키고 불필요한 이미지를 출력시키는 것으로서 인코딩 과정에서 발생할 수 있다. 예를 들어, 노이즈는 복소 데이터(810)에서 음의 인텐시티를 갖는 성분을 양의 인텐시티로 변환하기 위한 상수 데이터 및 복소 데이터(810)를 진폭 데이터로 변환하는데 이용되는 켤레 복소수 데이터 등을 포함할 수 있다.

도 9는 다른 실시예에 따른 CGH 이미지를 도시한 도면이다.

도 9를 참조하면, 목표 이미지(910), 기존의 방법으로 인코딩을 수행하여 생성된 CGH에 대한 이미지(920) 및 딥러닝 네트워크를 이용하여 CGH 생성 장치에서 생성된 CGH에 대한 이미지(930)가 도시된다.

도 9에 도시된 CGH 생성 장치에서 생성된 CGH 이미지(930)는 복소 데이터를 인코딩하는 과정을 딥러닝 네트워크를 이용하여 수행한 결과 생성된 CGH에 대한 이미지이다. 딥러닝 네트워크를 이용하여 CGH 생성 장치에서 생성된 CGH에 대한 이미지(930)가 기존의 방법으로 생성된 이미지(920)에 비하여 목표 이미지(910)와 더 유사한 것을 확인할 수 있다. 예를 들어, CGH 생성 장치에서 생성된 CGH 이미지(930)에 도시된 수염이 보다 세밀하게 표현된 것을 확인할 수 있다.

이와 같이, CGH 생성 장치는 딥러닝 네트워크를 이용하여 인코딩을 수행함으로써 보다 정확하게 인코딩을 수행하고 보다 선명한 CGH를 생성할 수 있다.

도 10은 일 실시예에 따른 CGH 생성 장치의 동작 방법을 나타내는 흐름도이다.

도 10을 참조하면, CGH 생성 장치 도 3 및 도 5에 도시된 CGH 생성 장치에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하에서 생략된 내용이라 하더라도 도 3 및 도 5를 참조하여 CGH 생성 장치에 관하여 전술된 내용은 도 10의 방법에도 적용됨을 알 수 있다. 따라서, 중복되는 설명은 생략한다.

단계 1010에서, CGH 생성 장치는 이미지 평면으로부터 SLM 평면으로 객체 데이터를 전파함으로써 객체 데이터의 진폭 데이터 및 위상 데이터를 포함하는 복소 데이터를 획득할 수 있다.

CGH 생성 장치는 딥러닝 네트워크를 이용하여 객체 데이터를 전파하고 복소 데이터를 획득할 수 있다.

한편, 단계 1010에 앞서, CGH 생성 장치는 딥러닝 네트워크를 이용하여 이미지 평면에서의 객체 데이터에 위상 데이터를 부여할 수 있다. CGH 생성 장치는 생성된 CGH가 SLM을 통해 출력될 때 SLM으로부터 방출되는 빛이 모두 관찰자의 수정체 렌즈를 통과하도록, 빛의 주파수, 관찰자와 SLM 평면 사이의 거리 및 수정체 렌즈의 크기에 기초하여 위상 데이터를 부여할 수 있다.

단계 1020에서, CGH 생성 장치는 복소 데이터를 인코딩된 진폭 데이터로 인코딩할 수 있다.

CGH 생성 장치는 딥러닝 네트워크를 이용하여 인코딩을 수행할 수 있다. CGH 생성 장치는 복소 데이터를 딥러닝 네트워크에 입력하고, 딥러닝 네트워크로부터의 출력 데이터를 딥러닝 네트워크에 역방향으로 입력할 수 있다. CGH 생성 장치는 출력 데이터에 대해 딥러닝 네트워크를 통해 출력된 역방향 데이터와 복소 데이터의 차이를 연산할 수 있다.

CGH 생성 장치는 연산된 차이가 최소화되는 것을 목표로 복소 데이터에 대한 연산을 수행하도록 딥러닝 네트워크를 조정할 수 있다. CGH 생성 장치는 차이가 기 설정된 크기 이하가 될 때까지, 복소 데이터를 딥러닝 네트워크에 입력하는 단계부터 차이를 연산하는 단계까지 반복할 수 있다.

최종적으로 생성된 출력 데이터는 인코딩된 진폭 데이터에 해당할 수 있다.

단계 1030에서, CGH 생성 장치는 인코딩된 진폭 데이터를 갖는 객체 데이터를 이용하여 CGH를 생성할 수 있다.

이미지 평면이 복수 개로 설정되는 경우 CGH 생성 장치는 이미지 평면 각각에 대해 복소 데이터를 획득하는 단계 및 인코딩하는 단계를 수행할 수 있다.

CGH 생성 장치는 이미지 평면 각각에 대응되는, 인코딩된 진폭 데이터를 갖는 객체 데이터 모두를 이용하여 CGH를 생성할 수 있다.

도 10의 방법에서 사용되는 SLM은 Amplitude SLM에 해당할 수 있고, CGH 생성 장치는 생성된 CGH를 Amplitude SLM을 통해 출력할 수 있다.

한편, 전술한 도 10의 동작 방법은 그 방법을 실행하는 명령어들을 포함하는 하나 이상의 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체에 기록될 수 있다. 컴퓨터로 읽을 수 있는 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

이상에서 실시예들에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims

CGH(computer-generated hologram)를 생성하는 방법에 있어서,
이미지 평면으로부터 SLM(Spatial Light Modulator) 평면으로 객체 데이터를 전파함으로써 상기 SLM 평면에서의 상기 객체 데이터의 진폭 데이터 및 위상 데이터를 포함하는 복소 데이터를 획득하는 단계;
상기 복소 데이터를 인코딩된 진폭 데이터로 인코딩하는 단계; 및
상기 인코딩된 진폭 데이터를 갖는 상기 객체 데이터를 이용하여 CGH를 생성하는 단계를 포함하는, 방법.
제 1항에 있어서,
상기 복소 데이터를 획득하는 단계는,
딥러닝 네트워크를 이용하여 상기 객체 데이터를 전파하고 상기 복소 데이터를 획득하는, 방법.
제 1항에 있어서,
상기 방법은,
딥러닝 네트워크를 이용하여 상기 이미지 평면에서의 상기 객체 데이터에 위상 데이터를 부여하는 단계를 더 포함하는, 방법.
제 3항에 있어서,
상기 위상 데이터를 부여하는 단계는,
상기 생성된 CGH가 상기 SLM을 통해 출력될 때 상기 SLM으로부터 방출되는 빛이 모두 관찰자의 수정체 렌즈(eye lens)를 통과하도록, 상기 빛의 주파수, 상기 관찰자와 상기 SLM 평면 사이의 거리 및 상기 수정체 렌즈의 크기에 기초하여 상기 위상 데이터를 부여하는, 방법.
제 1항에 있어서,
상기 인코딩하는 단계는,
딥러닝 네트워크를 이용하여 상기 인코딩을 수행하는, 방법.
제 5항에 있어서,
상기 인코딩하는 단계는,
상기 복소 데이터를 상기 딥러닝 네트워크에 입력하는 단계;
상기 딥러닝 네트워크로부터의 출력 데이터를 상기 딥러닝 네트워크에 역방향으로 입력하는 단계; 및
상기 출력 데이터에 대해 상기 딥러닝 네트워크를 통해 출력된 역방향 데이터와 상기 복소 데이터의 차이를 연산하는 단계를 포함하는, 방법.
제 6항에 있어서,
상기 인코딩하는 단계는,
상기 차이가 최소화되는 것을 목표로 상기 복소 데이터에 대한 연산을 수행하도록 상기 딥러닝 네트워크를 조정하는, 방법.
제 7항에 있어서,
상기 인코딩하는 단계는,
상기 차이가 기 설정된 크기 이하가 될 때까지, 상기 복소 데이터를 상기 딥러닝 네트워크에 입력하는 단계부터 상기 차이를 연산하는 단계까지 반복하고,
최종적으로 생성된 상기 출력 데이터는 상기 인코딩된 진폭 데이터에 해당하는, 방법.
제 1항에 있어서,
상기 방법은,
상기 이미지 평면이 복수 개로 설정되는 경우,
상기 이미지 평면 각각에 대해 상기 복소 데이터를 획득하는 단계 및 상기 인코딩하는 단계를 수행하고,
상기 CGH를 생성하는 단계는,
상기 이미지 평면 각각에 대응되는 상기 인코딩된 진폭 데이터를 갖는 상기 객체 데이터 모두를 이용하여 상기 CGH를 생성하는, 방법.
제 1항에 있어서,
상기 SLM은 Amplitude SLM이고,
상기 방법은,
상기 생성된 CGH를 상기 Amplitude SLM을 통해 출력하는 단계를 더 포함하는, 방법.
CGH를 생성하는 장치에 있어서,
적어도 하나의 프로그램이 저장된 메모리; 및
상기 적어도 하나의 프로그램을 실행함으로써 CGH를 생성하는 프로세서를 포함하고,
상기 프로세서는,
이미지 평면으로부터 SLM 평면으로 객체 데이터를 전파함으로써 상기 SLM 평면에서의 상기 객체 데이터의 진폭 데이터 및 위상 데이터를 포함하는 복소 데이터를 획득하고, 상기 복소 데이터를 인코딩된 진폭 데이터로 인코딩하고, 상기 인코딩된 진폭 데이터를 갖는 상기 객체 데이터를 이용하여 CGH를 생성하는, 장치.
제 11항에 있어서,
상기 프로세서는,
딥러닝 네트워크를 이용하여 상기 객체 데이터를 전파하고 상기 복소 데이터를 획득하는, 장치.
제 11항에 있어서,
상기 프로세서는,
딥러닝 네트워크를 이용하여 상기 이미지 평면에서의 상기 객체 데이터에 위상 데이터를 부여하는, 장치.
제 11항에 있어서,
상기 프로세서는,
상기 생성된 CGH가 상기 SLM을 통해 출력될 때 상기 SLM으로부터 방출되는 빛이 모두 관찰자의 수정체 렌즈를 통과하도록, 상기 빛의 주파수, 상기 관찰자와 상기 SLM 평면 사이의 거리 및 상기 수정체 렌즈의 크기에 기초하여 상기 위상 데이터를 부여하는, 장치.
제 11항에 있어서,
상기 프로세서는,
딥러닝 네트워크를 이용하여 상기 인코딩을 수행하는, 장치.
제 15항에 있어서,
상기 프로세서는,
상기 복소 데이터를 상기 딥러닝 네트워크에 입력하고, 상기 딥러닝 네트워크로부터의 출력 데이터를 상기 딥러닝 네트워크에 역방향으로 입력하고, 상기 출력 데이터에 대해 상기 딥러닝 네트워크를 통해 출력된 역방향 데이터와 상기 복소 데이터의 차이를 연산하는, 장치.
제 16항에 있어서,
상기 프로세서는,
상기 차이가 최소화되는 것을 목표로 상기 복소 데이터에 대한 연산을 수행하도록 상기 딥러닝 네트워크를 조정하는, 장치.
제 17항에 있어서,
상기 프로세서는,
상기 차이가 기 설정된 크기 이하가 될 때까지, 상기 복소 데이터를 상기 딥러닝 네트워크에 입력하는 과정부터 상기 차이를 연산하는 과정까지 반복하고,
최종적으로 생성된 상기 출력 데이터는 상기 인코딩된 진폭 데이터에 해당하는, 장치.
제 11항에 있어서,
상기 프로세서는,
상기 이미지 평면이 복수 개로 설정되는 경우,
상기 이미지 평면 각각에 대해 상기 복소 데이터를 획득하는 과정 및 상기 인코딩하는 과정을 수행하고,
상기 이미지 평면 각각에 대응되는 상기 인코딩된 진폭 데이터를 갖는 상기 객체 데이터 모두를 이용하여 상기 CGH를 생성하는, 방법.
제 11항에 있어서,
상기 SLM은 Amplitude SLM이고,
상기 프로세서는,
상기 생성된 CGH를 상기 Amplitude SLM을 통해 출력하는, 장치.
제 1항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.