MARC

 008260126s2025        us                              c    eng  d
■001000017359245
■00520260202104855
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288815256
■035    ▼a(MiAaPQ)AAI32201003
■035    ▼a(MiAaPQ)Stanfordvd005qj7115
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a531.11
■1001  ▼aGopakumar,  Manu.
■24510▼aEnabling  Compact,  High-Quality  Holographic  Displays  with  Artificial  Intelligence
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a188  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Wetzstein,  Gordon.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aEmerging  technologies  such  as  spatial  computing  systems  and  artificial  intelligence-powered  smart  glasses  provide  us  with  a  glimpse  into  a  future  where  wearable  displays  transform  the  way  we  interact  with  one  another  and  our  computing  devices.  However,  for  these  systems  to  achieve  widespread  adoption,  the  near-eye  displays  in  these  devices  must  satisfy  demanding  requirements  for  perceptual  realism  and  user  comfort.  This  dissertation  examines  how  holographic  displays  may  be  uniquely  suited  to  address  these  challenges  by  manipulating  light  as  a  wave  to  deliver  complete  3D  depth  cues,  correct  visual  aberrations  in  the  user  or  downstream  optics,  enhance  light  efficiency,  and  enable  more  compact  device  form  factors.  In  this  work,  I  present  a  series  of  artificial  intelligence--driven  computer-generated  holography  algorithms  designed  to  unlock  this  potential.  First,  I  discuss  how  learned  wave  propagation  models  can  be  used  to  accurately  characterize  all  the  phenomena  present  in  holographic  display  prototypes,  enabling  higher  quality  experimental  holograms.  Next,  I  present  how  the  synthesis  of  partially-coherent  holograms  can  reproduce  full  3D  and  4D  visual  cues.  Finally,  I  explain  how  these  propagation  models  can  be  co-designed  with  novel  waveguide-based  holographic  near-eye  display  designs  to  deliver  high-quality  3D  holograms  in  compact  wearable  systems.  Together,  these  methods  demonstrate  how  emerging  deep  learning  techniques  can  be  used  to  effectively  manage  the  unprecedented  degrees-of-freedom  of  holographic  displays.  Moving  forward,  this  use  of  machine  learning-based  computation  paired  with  the  precise  control  of  holographic  displays  can  fundamentally  change  how  we  design  display  systems  and  enable  a  new  generation  of  wearable  displays  with  better  perceptual  realism  and  user  comfort.
■590    ▼aSchool  code:  0212.
■650  4▼aInertia
■650  4▼aAugmented  reality
■650  4▼aVisualization
■650  4▼aComputer  engineering
■653    ▼aEmerging  technologies
■653    ▼aComputer-generated  holography  algorithms
■653    ▼aNear-eye  display  designs
■690    ▼a0800
■690    ▼a0464
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359245▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books