디지털 홀로그래피 분야는 최근 수십 년 동안 상당한 발전을 이루었으나, 디지털 홀로그램의 상용화는 여전히 대용량 데이터 크기라는 문제로 인해 저해되고 있다. 간섭계(interferometric) 성격을 지닌 디지털 홀로그램의 복잡한 신호 특성 때문에, 기존 코덱은 만족스러운 부호화 효율을 제공할 수 없다. 또한 전형적인 부호화 시나리오에서는 홀로그램을 인코딩한 뒤 디코딩하며, 이 과정에서 빛의 파 전파 모델(light wave propagation model)을 통해 수치적 재구성(numerical reconstruction)이 수행된다. 선행 연구들은 주로 디코딩된 홀로그램의 품질에 초점을 맞추었지만, 실제로 관찰자에게는 수치적 재구성이 보이므로, 부호화 해결책을 설계할 때 그 품질 역시 고려되어야 한다. 본 연구에서는 디지털 홀로그램 데이터 세트에 대해 기존 압축 표준인 JPEG2000과 HEVC-Intra의 부호화 성능을 평가한 후, 이들 표준의 한계를 분석한다. 이어서, VVC 및 JPEG-XL과 같은 최신 표준 코덱들뿐만 아니라 JPEG2000 및 HEVC에 비해 우수한 부호화 성능을 보이는 전복소(full-complex) 홀로그램용 딥러닝 기반 압축 네트워크를 제안한다. 제안된 네트워크는 네트워크 학습을 위한 왜곡 비용(distortion costs)으로 디코딩된 홀로그램의 품질뿐 아니라 수치적 재구성의 품질도 포함한다. 실험 결과는 제안된 네트워크가 기존 방법들에 비해 더 우수한 객관적 부호화 효율과 더 나은 시각적 품질을 제공함을 검증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.