深度學習驅動的端對端超透鏡成像技術

  ICC訊 超透鏡作為傳統光學透鏡的革新性替代方案，為實現超緊湊成像系統提供了新的可能。這種由亞波長結構（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，使用超透鏡實現高質量成像仍面臨挑戰[1]。

圖1展示了超透鏡成像系統的示意圖，說明了超透鏡成像系統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造了新機遇。通過結合物理超透鏡設計與計算后處理，研究人員開發了一個創新框架，能夠補償各種像差和局限性。該方法使用神經網絡恢復超透鏡捕獲的圖像，有效實現無像差的全彩色成像。

圖2展示了批量生產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，實現低成本批量生產的同時保持均勻性。設計采用具有任意旋轉角度的納米條作為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出明顯的色差。

圖3對比了原始圖像、超透鏡圖像和重建結果，展示了深度學習恢復框架的有效性。

  三、神經網絡架構

  圖像恢復框架采用專門針對超透鏡成像挑戰設計的復雜神經網絡架構。系統分兩個階段處理圖像：首先優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超透鏡成像的性能指標對比的統計分析，包括峰值信噪比、結構相似性指數等質量度量。

  四、性能分析

  深度學習框架在多個指標上展現出顯著改進：

  峰值信噪比(PSNR)提高7.37分貝

  結構相似性指數(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果，展示了清晰度的提升和色差的減少。

  五、實際應用

  該系統的效果不僅限于基本的圖像質量提升，還擴展到物體檢測等實際應用。使用PASCAL VOC2007數據集的測試表明，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果對比，顯示了圖像恢復后檢測能力的提升。

  六、結論

  深度學習增強的超透鏡成像代表了光學工程的重大進展。通過結合物理超透鏡設計與基于神經網絡的圖像恢復，該方法在保持超透鏡系統緊湊優勢的同時實現了高質量成像。在圖像質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.