深度學習驅(qū)動的端對端超透鏡成像技術

  ICC訊 超透鏡作為傳統(tǒng)光學透鏡的革新性替代方案，為實現(xiàn)超緊湊成像系統(tǒng)提供了新的可能。這種由亞波長結(jié)構（稱為超原子）精確排列組成的超薄薄膜，有望克服色差、球差和體積龐大等傳統(tǒng)限制。然而，由于聚焦效率、帶寬和透鏡直徑之間存在基本的權衡關系，使用超透鏡實現(xiàn)高質(zhì)量成像仍面臨挑戰(zhàn)[1]。

圖1展示了超透鏡成像系統(tǒng)的示意圖，說明了超透鏡成像系統(tǒng)如何與基于深度學習的圖像恢復技術集成。

  一、深度學習解決方案

  深度學習的最新進展為提升超透鏡性能創(chuàng)造了新機遇。通過結(jié)合物理超透鏡設計與計算后處理，研究人員開發(fā)了一個創(chuàng)新框架，能夠補償各種像差和局限性。該方法使用神經(jīng)網(wǎng)絡恢復超透鏡捕獲的圖像，有效實現(xiàn)無像差的全彩色成像。

圖2展示了批量生產(chǎn)的超透鏡的制造和表征，包括掃描電子顯微鏡圖像、焦距測量和不同波長下的點擴散函數(shù)分析。

  二、超透鏡設計和制造

  超透鏡采用納米壓印光刻和原子層沉積技術制造，實現(xiàn)低成本批量生產(chǎn)的同時保持均勻性。設計采用具有任意旋轉(zhuǎn)角度的納米條作為Pancharatnam-Berry相位基超透鏡。雖然這些超透鏡在532納米波長處達到相對較高的效率（55.6%），但在不同波長下表現(xiàn)出明顯的色差。

圖3對比了原始圖像、超透鏡圖像和重建結(jié)果，展示了深度學習恢復框架的有效性。

  三、神經(jīng)網(wǎng)絡架構

  圖像恢復框架采用專門針對超透鏡成像挑戰(zhàn)設計的復雜神經(jīng)網(wǎng)絡架構。系統(tǒng)分兩個階段處理圖像：首先優(yōu)化恢復模型以減少輸出與原始圖像之間的差異，然后實施對抗學習方案以增強信息恢復效果。

圖4展示了提出的模型與傳統(tǒng)超透鏡成像的性能指標對比的統(tǒng)計分析，包括峰值信噪比、結(jié)構相似性指數(shù)等質(zhì)量度量。

  四、性能分析

  深度學習框架在多個指標上展現(xiàn)出顯著改進：

  峰值信噪比(PSNR)提高7.37分貝

  結(jié)構相似性指數(shù)(SSIM)提升22.5個百分點

  學習的感知圖像塊相似性(LPIPS)降低35.6個百分點

圖5顯示了美國空軍分辨率測試圖的恢復結(jié)果，展示了清晰度的提升和色差的減少。

  五、實際應用

  該系統(tǒng)的效果不僅限于基本的圖像質(zhì)量提升，還擴展到物體檢測等實際應用。使用PASCAL VOC2007數(shù)據(jù)集的測試表明，使用恢復后的圖像在檢測準確度方面有顯著提升。

圖6展示了原始圖像、超透鏡圖像和恢復圖像的物體檢測結(jié)果對比，顯示了圖像恢復后檢測能力的提升。

  六、結(jié)論

  深度學習增強的超透鏡成像代表了光學工程的重大進展。通過結(jié)合物理超透鏡設計與基于神經(jīng)網(wǎng)絡的圖像恢復，該方法在保持超透鏡系統(tǒng)緊湊優(yōu)勢的同時實現(xiàn)了高質(zhì)量成像。在圖像質(zhì)量和實際應用方面的顯著改進表明，在智能手機相機到增強現(xiàn)實設備等各個領域都具有廣闊應用空間。

  七、參考文獻

  [1] J. Seo et al., "Deep-learning-driven end-to-end metalens imaging," Advanced Photonics, vol. 6, no. 6, pp. 066002-1-066002-13, Nov./Dec. 2024.