加州大学洛杉矶分校（UCLA）塞缪尔i工程学院与加州纳米系统研究院（CNSI）Aydogan Ozcan教授团队近期在《Light: Science & Applications》期刊发表论文，成功研发一种基于深度学习的单帧快照3D图像投影系统。该系统创新性地将数字编码器与被动式多层衍射光学解码器进行端到端联合优化，有效克服了传统全息显示中因轴向平面密集排列而引发的衍射串扰难题。 该系统核心在于基于傅里叶神经网络的数字编码器与物理衍射结构的协同工作。编码器从目标图像栈中提取多尺度空间与频率特征，融合轴向位置信息后生成单一相位图案。编码光场通过结构优化的衍射表面传播，在物理层面实现深度依赖的光场调控，将图像精准路由至指定轴向深度，同时天然抑制层间串扰。数值仿真表明，该系统可实现波长量级的轴向平面间隔，并将多达28层图像编码于单一相位图案中。实验原型验证了双平面可见光投影的可行性，输出强度分布与仿真高度吻合，显著优于无解码器的自由空间基准方案。 此项研究为高轴向分辨率的紧凑型3D显示提供了可扩展平台，在动态全息、近眼AR/VR界面、多深度体素显微镜及实时3D可视化领域具备广阔应用前景。未来团队计划将该框架拓展至多光谱操作、多视角全息及实体化多层被动解码器，推动高效能3D显示技术的产业化进程。