Pancake里有几十条Ghost，到底应该先解决哪一条？——杂散光分析真正困难的，不是找到Ghost，而是给Ghost排序。

做Pancake杂散光分析时。

经常会出现一个非常壮观的结果。

打开Ghost Analysis。

设置：

一次反射。

两次反射。

三次反射。

再加入：

PBS泄漏。

QWP误差。

Display Reflection。

Cover Glass。

Half Mirror。

Lens Surface。

然后软件开始输出：

Ghost 001。

Ghost 002。

Ghost 003。

……

Ghost 087。

甚至：

Ghost 200+。

看起来分析非常完整。

但是工程师真正面对的问题才刚刚开始：

这么多Ghost，到底先解决哪一个？

---

找到Ghost，不等于解决Ghost

这是杂散光分析里一个非常容易被忽略的问题。

假设仿真找到100条Ghost Path。

是不是应该：

从Ghost 001开始。

一条一条优化？

当然不是。

因为这100条路径对最终视觉体验的贡献可能完全不同。

有些路径：

能量很高。

但Ghost非常散。

用户几乎感觉不到。

有些路径：

能量并不高。

却形成一个清晰的复制图像。

在黑背景上非常明显。

还有一些：

只在极端Field出现。

一些：

恰好落在Eye Box中心。

甚至有些Ghost：

仿真存在。

但根本不会进入人的瞳孔。

所以：

“存在”不是Ghost的重要性指标。

真正应该问的是：

这条Ghost最终对用户造成了多大影响？

---

第一个指标：Energy

最容易想到的是：

能量。

假设：

Ghost A = 主像能量的2%

Ghost B = 0.5%

Ghost C = 0.1%

如果只看能量。

当然：

A > B > C。

于是工程师自然会先解决Ghost A。

但这可能是错的。

为什么？

因为人眼并不直接看到“总能量”。

人眼看到的是：

能量在空间中的分布。

假设Ghost A的2%能量分散到整个视场。

形成一层很弱的Veiling Glare。

而Ghost B的0.5%：

集中成一个清晰亮斑。

那么：

Ghost B反而可能更加明显。

这也是为什么Pancake公开研究中会区分不同Ghost形态——有些Ghost形成清晰像，有些更接近光斑；不同来源的Ghost对最终图像的影响并不相同。在线图书馆Wiley

所以：

Ghost Energy ≠ Ghost Visibility。

---

第二个指标：Spatial Concentration

现在加入第二个指标：

空间集中程度。

同样1%的Ghost能量。

情况A：

分布在整个120° FOV。

情况B：

集中在5°区域。

情况C：

集中成一个1°亮斑。

人眼感知完全不同。

因此我们可以开始建立一个新的评价方式：

Ghost Irradiance / Angular Area

也就是：

单位角度区域内到底集中了多少寄生能量。

于是：

Ghost不再只是一个Energy Number。

而开始变成：

Ghost Map。

---

第三个指标：它出现在哪里？

这一步非常重要。

假设Ghost落在：

视场边缘。

用户可能不太注意。

但如果它恰好落在：

中心视场。

或者：

高对比度目标附近。

它的影响会明显增加。

所以Ghost评价应该加入：

Field Position。

例如：

中心10°。

10°–30°。

30°以上。

不同区域。

赋予不同权重。

这就开始从：

光学指标。

进入：

视觉指标。

---

第四个指标：背景是什么？

这是很多Ghost分析没有考虑的。

假设：

Ghost亮度：

1 nit。

如果背景：

100 nit。

几乎看不到。

但如果背景：

0.01 nit。

它就非常明显。

所以Ghost的视觉严重程度不是：

Ghost Luminance。

而更接近：

Ghost / Local Background

也就是：

局部对比度。

这就是为什么：

黑底白字。

星空。

夜景。

UI图标。

字幕。

经常是暴露Ghost最好的测试画面。

不是因为Ghost突然变强。

而是：

背景变暗了。

---

第五个指标：Ghost长什么样？

我们继续往前。

两条Ghost：

能量一样。

位置一样。

背景一样。

但一个是：

模糊的大光斑。

另一个是：

清晰的文字复制。

哪一个更讨厌？

通常后者。

因为人的视觉系统对：

边缘。

轮廓。

结构。

非常敏感。

所以Ghost还需要评价：

Sharpness。

或者更进一步：

Structural Similarity to Main Image。

这也是为什么某些“Virtual Ghost”特别容易被发现。

它像：

第二个显示画面。

而不是：

一团没有结构的光。

2024年的Pancake Ghost研究不仅追踪了多种Ghost路径，也区分了真实Ghost和虚拟Ghost，并指出不同Ghost在眼侧形成的视觉表现并不相同。PubMed

---

第六个指标：Ghost会不会进入Pupil？

这一步开始真正进入系统级分析。

假设仿真找到一条很强的Ghost。

但是：

它经过Eye Box时。

位置偏离了人眼瞳孔。

那么。

这个Ghost可能根本不可见。

反过来。

另一条Ghost能量较低。

却刚好：

穿过Pupil。

那么它的实际影响反而更大。

所以。

Ghost Analysis不能停在：

Lens Exit。

真正应该追踪到：

Eye Box → Pupil。

甚至进一步：

Retina。

我们上一期为什么把系统边界定义为：

Pixel → Eye。

原因就在这里。

因为：

没有进入人眼的Ghost，不应该和真正进入人眼的Ghost拥有相同优先级。

---

第七个指标：它是不是只在某一个角度出现？

Pancake还有一个非常特殊的问题：

Ghost强度会随着入射角变化。

公开研究已经实验和仿真分析了这一点——不同入射角会改变不同Ghost的强度。PubMed

所以某条Ghost可能：

中心视场很弱。

到了30°：

突然增强。

另一条Ghost：

中心最强。

边缘反而消失。

这意味着Ghost Ranking不能只有：

一个数字。

而应该是：

Rank(Field, Pupil, λ)

也就是说。

Ghost优先级可能随着：

视场。

瞳孔位置。

波长。

发生变化。

---

第八个指标：Sensitivity

现在进入真正的工程问题。

假设：

Ghost A非常严重。

但是要降低它。

需要：

重新设计整套Lens。

换PBS。

修改模具。

重新开模。

成本极高。

Ghost B稍微弱一点。

但只需要：

把某个表面AR从1%降低到0.2%。

或者：

调整QWP角度。

就能减少80%。

那么工程上应该先解决谁？

不一定是A。

因为我们还要考虑：

Sensitivity

也就是：

Ghost对某个设计变量有多敏感？

例如：

Ghost 017

对：

Cover Glass R

非常敏感。

对：

PBS ER

不敏感。

那么。

继续提高PBS ER：

没有意义。

应该直接优化：

Cover Glass。

这就是仿真真正开始指导工程决策的地方。

---

第九个指标：Cost to Fix

继续再往现实走一步。

Ghost优化不是学术竞赛。

它最终是产品研发。

所以还要加入：

修改成本。

例如：

Path A

Ghost严重度：★★★★★

解决方式：

重新设计PBS膜系。

周期：

8周。

风险：

高。

Path B

Ghost严重度：★★★★

解决方式：

增加一处消光结构。

周期：

1周。

风险：

低。

Path C

Ghost严重度：★★★

解决方式：

调整QWP安装角。

周期：

2天。

风险：

低。

这时候。

工程决策已经非常明显。

可能：

先C。

再B。

最后A。

所以：

Ghost Priority ≠ Ghost Intensity Ranking。

真正应该做的是：

Engineering Priority Ranking

---

我们可以给每条Ghost建立一张“身份证”

例如：

Ghost G017

Source：

Display Cover Glass

Path：

Display
↓
Half Mirror
↓
Cover Glass Reflection
↓
Half Mirror
↓
PBS Leakage
↓
Lens
↓
Eye

Energy：

0.42%

Field：

15°–35°

Pupil Overlap：

High

Sharpness：

Medium

Background Sensitivity：

High

Dominant Wavelength：

Blue

Sensitivity：

Cover Glass R ↑↑↑
PBS ER ↑
QWP Angle ↑↑

Visibility：

★★★★☆

Fix Difficulty：

★★☆☆☆

Engineering Priority：

P1

现在。

工程师看到的就不再是：

“Ghost 017存在。”

而是：

Ghost 017为什么存在、什么时候最严重、由谁控制、应该先改什么。

这才是一条真正有工程价值的Ghost数据。

---

从Ghost List变成Ghost Database

做到这里。

我们的分析方法发生了一次变化。

传统输出：

Ghost 001
Ghost 002
Ghost 003
Ghost 004
……

这是：

Ghost List

而真正有价值的应该是：

Ghost Database

每条Ghost记录：

Path ID。

Source Surface。

Reflection Order。

Polarization State。

Energy。

Spectrum。

Field。

Pupil。

Image Position。

Sharpness。

Visibility。

Sensitivity。

Fix Cost。

Priority。

甚至：

Measured / Simulated Correlation。

这样。

Ghost就从：

一张仿真图片。

变成：

可管理的工程对象。

---

一个更重要的问题：Ghost能不能自动排序？

理论上可以。

例如我们建立一个简单的：

Ghost Severity Score

可以写成概念形式：

GSS = E × C × P × S × F

其中：

E = Energy Weight

C = Contrast Weight

P = Pupil Overlap

S = Sharpness / Structure Weight

F = Field Weight

如果再加入工程决策：

Engineering Priority Score

可以进一步考虑：

EPS = GSS × Sensitivity / Fix Cost

注意。

这里不是说一定要使用这个具体公式。

真正重要的是：

把Ghost评价从“看图判断”变成“多指标排序”。

这会极大提高复杂系统的分析效率。

---

为什么这对Pancake尤其重要？

因为Pancake天然容易产生大量候选寄生路径。

原因包括：

多次折返。

多个反射面。

偏振选择。

PBS有限消光比。

QWP非理想延迟。

Display Reflection。

Cover Glass。

Lens AR残余反射。

每增加一个：

反射面。

偏振状态。

传播次数。

可能路径数量都会继续增加。

已有研究明确指出，Pancake的Ghost来自多表面反射和非理想偏振控制，而传统Half Mirror架构本身还伴随显著效率损失；这正是为什么简单枚举路径很快会变成复杂的系统问题。PubMed

所以。

Pancake真正缺少的往往不是：

Ghost Detection。

而是：

Ghost Management。

---

仿真和实验为什么必须结合？

还有一个非常现实的问题。

模型认为：

Ghost 017最严重。

样机却显示：

Ghost 023最明显。

怎么办？

不要急着说：

仿真错了。

更应该比较：

Ghost位置。

虚像距离。

亮度。

角度变化。

2024年的一项Pancake Ghost测量研究正是通过测量Ghost的虚像距离、位置和亮度，再结合仿真判断其来源；最终通过针对性的抑制方法，将Ghost强度由4.68%降低到2.39%。在线图书馆Wiley

所以。

我们上一期建立的：

Simulation ↔ Measurement

在这里又出现了。

Ghost Database应该同时拥有：

Simulated Ghost

和：

Measured Ghost。

然后进行匹配。

---

例如：样机里看到一个Ghost，怎么反查？

假设样机：

右上角。

出现一个绿色Ghost。

工程师测到：

位置：

Field +22°

虚像距离：

1.4 m

相对亮度：

0.7%

主要波长：

Green

然后进入Ghost Database。

筛选：

Position ≈ +22°

↓

Virtual Distance ≈ 1.4 m

↓

Green dominant

↓

Energy ≈ 0.7%

最后可能只剩：

G023。

G041。

G078。

再比较：

Field Dependence。

Pupil Dependence。

就可能定位：

真正路径。

这时候。

仿真就不再只是：

预测。

而变成：

Diagnosis Tool

故障诊断工具。

---

这才是企业真正需要的Ghost Analysis

企业研发不需要：

200张漂亮Ghost图。

真正需要的是：

告诉我现在最值得解决的是哪三个。

比如最终输出：

Top Ghost Paths

P1 — G017

Cover Glass Reflection + PBS Leakage

影响：

中心黑位。

建议：

优先优化Cover Glass AR。

---

P2 — G023

QWP Error + Half Mirror Loop

影响：

边缘Ghost。

建议：

提高QWP角度稳定性。

---

P3 — G041

Lens Surface R2 Residual Reflection

影响：

高亮UI复制像。

建议：

优化R2 AR。

这样。

光学设计。

膜层。

供应商。

机械。

测试。

都知道：

下一步做什么。

这就是系统级仿真真正应该产生的：

Engineering Action。

---

从“仿真结果”到“工程决策”

这也是我们这个系列一直想表达的核心。

软件输出：

1000万条Ray。

不是价值。

软件找到：

200条Ghost。

也不是价值。

真正的价值是：

200条Ghost

↓

识别20条有效路径

↓

找到5条可见Ghost

↓

锁定3条主要贡献

↓

确认2个关键参数

↓

修改1个设计

↓

样机改善。

这条链。

才是：

Simulation → Decision

---

写在最后

过去做Ghost Analysis。

我们经常问：

系统里有多少Ghost？

但对于复杂Pancake系统。

这个问题越来越没有意义。

因为：

Ghost永远可以找到更多。

真正应该问的是：

哪条Ghost真正影响用户？

然后继续问：

它为什么出现？

它在什么条件下最严重？

它对哪个参数最敏感？

解决它需要付出多少成本？

最后。

才能回答：

我们应该先解决哪一个？

这时候。

Ghost Analysis才真正从：

“光学分析”

进入：

Engineering Decision。

---

工程师带走什么（Takeaway）

以后看到几十条Ghost路径。

不要按照：

Ghost Number。

也不要只按照：

Energy。

排序。

至少应该同时考虑：

Energy

×

Spatial Distribution

×

Local Contrast

×

Field

×

Pupil Overlap

×

Sharpness

×

Sensitivity

×

Fix Cost

最终建立：

Ghost Priority Ranking。

因为真正重要的不是：

系统里有没有Ghost。

而是：

哪几条Ghost正在决定用户体验。

---

一个工程误区（Engineering Myth）

误区：

“能量最大的Ghost，就是最应该优先解决的Ghost。”

事实：

Ghost的可见性还取决于：

空间集中程度。

背景亮度。

视场位置。

Pupil重叠。

图像结构。

波长。

以及人眼感知。

而工程优先级还必须进一步考虑：

Sensitivity。

Cost。

Risk。

Development Time。

所以：

Strongest Ghost ≠ Highest Priority Ghost。