RAVQ-HoloNet: Rekordleistung bei holographischer Kompression

Ein neuer Ansatz aus dem Bereich der holographischen Bildkompression verspricht einen Durchbruch für AR- und VR-Anwendungen. Der auf arXiv vorgestellte Artikel „RAVQ‑HoloNet: Rate‑Adaptive Vector‑Quantized Hologram Compression“ zeigt, wie die bislang hohe Datenmenge, die für die Wiedergabe von Hologrammen nötig ist, drastisch reduziert werden kann.

Traditionelle Deep‑Learning‑Methoden für die Kompression von Hologrammen sind zwar leistungsfähig, aber meist nicht in der Lage, innerhalb eines einzigen Netzwerks auf unterschiedliche Bitraten zu reagieren. RAVQ‑HoloNet löst dieses Problem, indem es eine rate‑adaptive Vektor‑Quantisierung einsetzt, die bei sehr niedrigen und ultra‑niedrigen Bitraten eine hochqualitative Rekonstruktion ermöglicht.

Die Ergebnisse sind beeindruckend: Im niedrig‑bit‑Modus reduziert RAVQ‑HoloNet die BD‑Rate um 33,91 % und erzielt einen BD‑PSNR von 1,02 dB über dem derzeit besten Verfahren. Die Rate‑Distortion‑Kurve verdeutlicht, dass die Methode die aktuelle Spitzenleistung deutlich übertrifft und damit einen wichtigen Schritt in Richtung praktischer holographischer AR/VR‑Lösungen darstellt.