High-Resolution Hogel Image Generation Using GPU Acceleration
Notice bibliographique
Résumé
A holographic stereogram displays reconstructed 3D images by rearranging multiple 2D viewpoint images into small holographic pixels (hogels). However, conventional CPU-based hogel generation processes these images sequentially, causing computation times to soar with as the resolution and number of viewpoints increase, which makes real-time implementation difficult. In this study, we introduce a GPU-accelerated parallel processing method to speed up the generation of high-resolution hogel images and achieve near-real-time performance. Specifically, we implement the pixel-rearrangement algorithm for multiple viewpoint images as a CUDA-based GPU kernel, designing it so that thousands of threads process individual pixels simultaneously. We also optimize CPU–GPU data transfers and improve memory access efficiency to maximize GPU parallel performance. The experimental results show that the proposed method achieves over a 5× speedup compared to the CPU across resolutions from FHD to 8K while maintaining output image quality equivalent to that of the CPU approach. Notably, we confirm near-real-time performance by processing large-scale 8K resolution with 16 viewpoints in just tens of milliseconds. This achievement significantly alleviates the computational bottleneck in large-scale holographic image synthesis, bringing real-time 3D holographic displays one step closer to realization. Furthermore, the proposed GPU acceleration technique is expected to serve as a foundational technology for real-time high-resolution hogel image generation in next-generation immersive display devices such as AR/VR/XR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».