体积增材制造（Volumetric additive manufacturing）已成为一种极具前景的复杂结构柔性制造技术，在工程、光子学（photonics）和生物学（biology）等领域有着广泛的应用。然而，现有方法仍面临分辨率（resolution）和体积构建速率之间的权衡，限制了高分辨率三维结构的高效灵活制造。本文提出了一种名为全息光场数字非相干合成（digital incoherent synthesis of holographic light fields, DISH）的方法，该方法利用高速旋转潜望镜进行连续多角度投影，无需样品旋转即可生成高分辨率三维光分布。DISH方法通过对不同角度的全息图进行迭代优化，在1厘米范围内保持了19微米的打印分辨率，远超物镜的景深，并实现了毫米级物体在0.6秒内原位高分辨率三维打印（3D printing）。我们使用不同粘度的丙烯酸酯材料验证了DISH方法的通用性。通过将 DISH 与流体通道集成，我们实现了在低粘度材料中大规模生产复杂多样的 3D 结构，证明了其在各个领域具有广泛的应用潜力。

论文：Sub-second volumetric 3D printing by synthesis of holographic light fields

单位：清华大学、浙江大学

发布日期：2026年2月

请索引第113篇论文

如果你组里还有人用"一层一层刷"的思路做3D打印，这篇Nature可能会让他重新想想——毫米尺度复杂结构，0.6秒整块出炉，1cm景深内分辨率稳在19μm，连4.7 cP的"水状"PEGDA都能打。

清华自动化系Jiamin Wu、Qionghai Dai联合电子系Lu Fang团队，把旋转潜望镜 + 405nm相干激光 + DMD全息迭代优化揉在一起，搞出DISH（Digital Incoherent Synthesis of Holographic light fields），刚上线2026年2月Nature。

硬件巧思、波光学建模、自适应标定，还有能直接借到neural holography / 可微光学课题里的几招。

01 为什么体三维打印（VAM）还得再被卷一次

CAL（Computed Axial Lithography）那支路线其实已经跑了几年——360°投影、整体积同时固化，比SLA/DLP那种层叠式快得多。但它有个老顽疾：样品自己得转。转起来才能用多角度投影填频域那个missing cone，分辨率才不崩。

转样品这一件事，连锁出一串限制：

• 机械振动把转速压住 → 毫米级物件要打几十秒。

• 几十秒里样品不能沉 → 树脂粘度得飙到6000–10000 cP，基本是"糖浆级"。

• 想换高NA物镜提分辨率？NA 0.055@405nm对应的瑞利景深大约0.4mm，毫米级物件就得轴向扫描，速度再打折。

  
  

Xolography走双色片光，最新版Stuwe et al. Adv. Mater. 2024虽然接了流控做连续生产，但双色引发剂还得"回血"时间，体打印速率还是被卡。

DISH的解法很清华工程风：样品不转，让光转。

02 潜望镜不是只有潜艇用

传统CAL转样品，DISH反过来——在物镜前塞一个高速旋转潜望镜，两台小镜组成（45° + 22.5°），光束以45°入射树脂槽，电机1000 rpm（减速比1:10，实际平台10 rot/s）。

光路顺一遍：相干405 nm激光（CNI MDL-HD-405，线宽1.5 nm）→ DMD（1920×1080，10.8μm像素，17.9 kHz刷新，ViALUX V-9501）→ 4f系统（TTL200-A + 孔径）→ Mitutoyo 2×长工作距物镜（NA 0.055，WD 34mm）→ 潜望镜折角 → 石英比色皿。

Fig. 2a-b 把光路和实物摆得很清楚，2c-d 是潜望镜机械细节，2e 给出打印区是中心对称的纺锤形，体积约214 mm³（beam直径5.832mm、树脂n=1.48时）。

时序上 Extended Data Fig. 3把"伺服电机触发 → DMD同步 → 激光快门等电机稳了再开"这0.6 s的分工画透了：DMD 3 kHz方波，每圈1800张二值图，对应180个粗角度。

三个关键收益：

1. 样品静止 → 低粘度料随便用（后文真打了4.7 cP的PEGDA水溶液），原位打印、体内生物打印的接口就留出来了。

2. 单面投射 → 容器只要一个平窗口，比双面CAL省事。

3. 潜望镜10 rot/s → 曝光定在0.6 s，电机稳了再开快门，motion blur被压住。

   
   

主文 Fig. 1a-b 那张原理 + 1c 那只0.6 s打完的PEGDA海螺，基本是这篇的"脸"。

03 用全息优化把0.4mm景深抻到1cm

DISH不是"转得快"赢的，是"算得对"赢的。

NA 0.055对应的衍射极限约3.68μm@405nm，但景深只有0.4mm左右。按传统CAL的射线近似 + 非相干/部分相干光，离焦就糊。DISH换了两件事：

• 光源换成相干激光

• 投影图案不用backprojection粗算，而是波光学模型下做迭代全息优化

优化问题长这样（主文公式）

A是目标区（剂量≥dh触发聚合），A是非目标区（剂量≤d∥防过曝）。Hφ把DMD振幅经空气传播→界面折射→树脂内传播三步波光学算到体素——这里折射不是简单Snell几何，而是角谱坐标做畸变拉伸（Methods里写了用MATLAB的imwarp实现），傍轴近似在单面45°入射还能跑，曲面容器作者坦承会破。

04 粗→细两阶段

直接优化1800张二值图 + 亿级体素，i7也跪。作者拆成：

1. 粗阶段：射线近似+梯度下降，先出180张灰度剂量图 Iφcoarse

2. 细阶段：每G张相邻角度的二值图绑一组，用全息迭代去拟合粗阶段剂量分布

   
   

Fig. 2d-e 把账算明白了：对比传统PM（penalty minimization, Bhattacharya et al. Addit. Manuf. 2021）和Global GS（Gerchberg-Saxton），DISH的Jaccard和signed distance RMSE都压得更低；G=3以后收敛，G=10是权衡甜点（再小丢灰度信息，再大计算量炸）。

这个"粗分配（射线先铺）+ 细全息（波光学校正）+ G分组二值截断"三件套，跟计算成像里"物理模型先验 + 可微优化 + 离散约束"的套路是同构的。做end-to-end holography的那批人（Shi et al. Nature 2021, Light Sci. Appl. 2022）应该会心一笑——DISH的Hφ其实就是把"可微渲染器"换成了角谱+Snell，损失函数挂的是剂量阈值而非图像MSE。

Fig. 1d 那组对比最直观——非相干光 / 相干但不优化 / 相干+全息优化，第三行才把离焦位置的三点真正撑住。这里已经埋了DISH的核心claim：相干光+全息优化，才能把高NA的浅景深"骗"过。

05 高速+高NA把系统误差放大了，得用自适应光学兜住

DISH转得快（10 rot/s）、NA不算特别低，于是潜望镜转起来后每个角度的偏移、像差、衰减都被放大。作者借了扫描光场里digital adaptive optics的思路（Wu et al. Cell 2021, Nature 2022 那两篇）：

• 正交放两个相机（前+侧），拍荧光材料（香豆素30 DMSO）里的激发光斑当波前传感器

• 测每个角度的光斑质心偏移 → 反推DMD像素该补多少offset，单像素级校正 [Fig. 3b, Extended Data Fig. 8]

• 传播距离、共轭面位置用条纹图标定 [Fig. 3c]

整个标定几分钟做一次，硬件不用动。Fig. 3e-f 那组轴向间隔2.4mm的三点阵列（设计特征10.8μm，间距10.8μm），backprojection在离中心4.8mm处已经糊了，DISH全息优化还能保住——这就是"把0.4mm景深抻到1cm"的实验证据。

这套"双相机反馈→DMD像素offset表"本质上是用测量去补模型里没写进的misalignment，跟你做neural rendering里在线标定内外参、做可微显微镜里校准LED位置，是同一个念头。区别在于DISH用波光学模型当forward，你用CUDA renderer当forward——工具换一下就能搬。

06 分辨率到底多少？12μm / 19μm 两个数别混

论文里出现两组数：

NA 0.055衍射极限约3.68μm@405nm，现在被DMD像素（物方5.4μm）和材料非线性挡住了。孤立小结构对周围剂量分布太敏感——这是作者也承认的："isolated small structures require much higher dose contrast and are sensitive to the surrounding dose distribution"，所以12μm是"最好情况"，19μm是"全体积能稳定的情况"，引用的时候别只甩12μm那张。

Fig. 4 那组海螺 [Fig. 4l-o] 的多方向线条测量，是整篇分辨率claim最硬的支撑——因为线条沿z分布、不同方向都有，能压在19.3±3.4μm，才算"1cm景深内均匀"。

07 0.6秒之外，还能"连续出货"

DISH最快的卖点不是单件0.6s，是能接流控做mass production [Fig. 5a]：

• 泵送料 + 筛网截住固化件 + 未固化料回流

• Fig. 5b-c 那一串花样：立方框、四面体、花、鱿鱼、脊髓切片、分叉管

• 硬树脂（DPHA、BPAGDA）、软树脂（UDMA）、水凝胶（GelMA、SilMA）全通 [Fig. 5i-k, ED Fig. 9n-o]

• 螺旋管灌墨水验证中空；分叉管、unsupported链条（层叠工艺打不了的）也能整

  
  

体积打印速率333 mm³/s，体素打印速率1.25×10⁸ vox/s（11×11×22μm³体素）。ED Fig. 1 那张和SLA/DLP/TPP/CAL的对比表里，DISH卡的就是"毫米尺度高分辨+亚秒"那个空缺角——这是审稿人最吃的图之一。

08 短板

1. 单面投射 → missing cone：轴向分辨率略低于横向，作者坦承"Changing the mechanical design of the periscope can address this problem"，但曲面容器会破傍轴近似，角谱采样要吃紧

2. 散斑：沿光束方向有条纹伪影，倾斜投射比垂直好但没完全消，作者提"多全息图拼接/光束平移"当后续

3. 计算成本：7.3×7.3×10 mm模型（1350×1350×1852体素），i7-11700 + MATLAB跑完约24 h。作者自己说未来GPU + end-to-end NN（点了Shi Nature 2021那路）能压下来

4. 4.7 cP是最低演示，更低粘度微流道原位打印，氧气抑制+扩散会更棘手

09 AI+交叉视角

抛开3D打印本身，这篇对做计算成像、可微光学、neural holography 的读者，借点有四条：

第一，物理模型 + 离散约束的范式长这样。Hφ= 角谱传播（空气）+ 角谱畸变拉伸（Snell界面）+ 角谱传播（树脂），损失函数直接挂剂量阈值（两段：A区≥dh，A≤d∥），二值约束用G分组+截断近似。比纯端到端黑箱耐解释，也比纯传统GS稳——这套模板换到"可微光刻""可微显微"都能套。

第二，粗→细两级优化是处理"离散+大规模"的通用招。先射线近似（cheap）铺180张灰度，再波光学（expensive）细调二值——跟你做neural holography里"先CNN出相位图，再二值抖动+迭代微调"是同一个味儿。G=10那个甜点，是用Jaccard扫出来的，不是拍脑袋——这种"物理先验指导下的超参选择"，比网格搜有说服力。

第三，自适应标定那段是"系统辨识"的范本。双相机当波前传感器 → DMD像素offset表 → 整个标定几分钟跑一次。本质是用测量数据去补forward模型里没写干净的misalignment+aberration。做computational camera的人，把"相机"换成"DMD+潜望镜"就能搬。

第四，Discussion里那句"引入end-to-end neural networks for 3D hologram generation"是留给你们的坑。作者自己引了Shi Nature 2021 / 2022，意思很清楚：现在CPU 24 h太慢，GPU+NN把Hφ包成可微层、训练一个"模型→DMD序列"的encoder，是next paper的方向。

10 结语

DISH不是一个"更快的3D打印机"，它把旋转机构（机械）→ 相干全息（光学）→ 波光学迭代（计算）→ 自适应标定（传感）→ 流控集成（系统）五件事缝成一条能跑的管线，每段都有可拆出来用的子模块。

对AI+交叉的你们来说，更值得品的是这条路径：先用物理模型（角谱+Snell）把forward写得准，再用粗→细+分组二值化把离散约束嵌进去，最后用传感反馈把系统误差吃掉——这套组合，放到neural rendering里的可微渲染器、或者计算显微里的可微光学设计，都是一个味儿。

做holography / VAM / 光场的，可以叉下来改改试试。下一波如果谁用Transformer替掉那个粗→细迭代、把24 h压到分钟级，别忘致谢DISH这组Hφ。

References：

• Wang et al., Sub-second volumetric 3D printing by synthesis of holographic light fields, Nature 650, 882–890 (2026). doi:10.1038/s41586-026-10114-5

• Regehly et al., Xolography, Nature 588, 620–624 (2020);

• Stuwe et al., Continuous xography in flow, Adv. Mater. 36, 2306716 (2024);

• Shusteff et al., Sci. Adv. 3, eao5496 (2017);

• Shi et al., Nature 591, 234 (2021); Shi et al., Light Sci. Appl. 11, 247 (2022);

• Wu et al., Cell 184, 3318–3332 (2021); Wu et al., Nature 612, 62–71 (2022).