深度学习驱动的端对端超透镜成像技术

  ICC讯 超透镜作为传统光学透镜的革新性替代方案，为实现超紧凑成像系统提供了新的可能。这种由亚波长结构（称为超原子）精确排列组成的超薄薄膜，有望克服色差、球差和体积庞大等传统限制。然而，由于聚焦效率、带宽和透镜直径之间存在基本的权衡关系，使用超透镜实现高质量成像仍面临挑战[1]。

图1展示了超透镜成像系统的示意图，说明了超透镜成像系统如何与基于深度学习的图像恢复技术集成。

  一、深度学习解决方案

  深度学习的最新进展为提升超透镜性能创造了新机遇。通过结合物理超透镜设计与计算后处理，研究人员开发了一个创新框架，能够补偿各种像差和局限性。该方法使用神经网络恢复超透镜捕获的图像，有效实现无像差的全彩色成像。

图2展示了批量生产的超透镜的制造和表征，包括扫描电子显微镜图像、焦距测量和不同波长下的点扩散函数分析。

  二、超透镜设计和制造

  超透镜采用纳米压印光刻和原子层沉积技术制造，实现低成本批量生产的同时保持均匀性。设计采用具有任意旋转角度的纳米条作为Pancharatnam-Berry相位基超透镜。虽然这些超透镜在532纳米波长处达到相对较高的效率（55.6%），但在不同波长下表现出明显的色差。

图3对比了原始图像、超透镜图像和重建结果，展示了深度学习恢复框架的有效性。

  三、神经网络架构

  图像恢复框架采用专门针对超透镜成像挑战设计的复杂神经网络架构。系统分两个阶段处理图像：首先优化恢复模型以减少输出与原始图像之间的差异，然后实施对抗学习方案以增强信息恢复效果。

图4展示了提出的模型与传统超透镜成像的性能指标对比的统计分析，包括峰值信噪比、结构相似性指数等质量度量。

  四、性能分析

  深度学习框架在多个指标上展现出显著改进：

  峰值信噪比(PSNR)提高7.37分贝

  结构相似性指数(SSIM)提升22.5个百分点

  学习的感知图像块相似性(LPIPS)降低35.6个百分点

图5显示了美国空军分辨率测试图的恢复结果，展示了清晰度的提升和色差的减少。

  五、实际应用

  该系统的效果不仅限于基本的图像质量提升，还扩展到物体检测等实际应用。使用PASCAL VOC2007数据集的测试表明，使用恢复后的图像在检测准确度方面有显著提升。

图6展示了原始图像、超透镜图像和恢复图像的物体检测结果对比，显示了图像恢复后检测能力的提升。

  六、结论

  深度学习增强的超透镜成像代表了光学工程的重大进展。通过结合物理超透镜设计与基于神经网络的图像恢复，该方法在保持超透镜系统紧凑优势的同时实现了高质量成像。在图像质量和实际应用方面的显著改进表明，在智能手机相机到增强现实设备等各个领域都具有广阔应用空间。

  七、参考文献

  [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.