新技术让手机摄像头成为高分辨率显微镜

无透镜全息术中常见的障碍是成像对象的计算重建。传统的重建方法需要详细了解实验设置才能进行精确重建，并且对难以控制的变量（如光学像差、噪声的存在和孪生图像问题）敏感。

研究团队还开发了一种深度神经网络架构，以提高图像重建的质量。这种新颖的、未经训练的深度神经网络结合了全变异正则化以增加对比度，并考虑了源的宽频谱带宽。

与需要训练数据的传统计算重建方法不同，该神经网络通过在算法中嵌入物理模型来消除训练的需要。除了全息图像重建外，中性网络还提供从单个衍射强度模式中恢复的盲源光谱，这标志着与以前所有监督学习技术的突破性背离。

本研究中展示的未经训练的神经网络允许研究人员使用新型光源，而无需事先了解光源光谱或光束轮廓，例如上面描述的新颖和最小的已知硅LED，通过完全商业化，未经修改的批量CMOS微电子制造。

研究人员设想，CMOS微型LED和神经网络的这种协同组合可用于其他计算成像应用，例如用于活细胞跟踪的紧凑型显微镜或生物组织（如活植物）的光谱成像。这项工作还证明了下一代片上成像系统的可行性。在线全息显微镜已被用于各种应用，包括颗粒跟踪、环境监测、生物样品成像和计量学。进一步的应用包括在CMOS中排列这些LED，以便将来为更复杂的系统生成可编程相干照明。

Optica论文的主要作者兼麻省理工学院的研究助理Iksung Kang说：“我们的突破代表了概念验证，可能对需要使用micro-LED的众多应用产生巨大影响。例如，该LED可以组合成一个阵列，以获得更大规模应用所需的更高水平的照明。此外，由于微电子CMOS工艺的低成本和可扩展性，可以在不增加系统复杂性、成本或外形尺寸的情况下完成此操作。这使我们能够相对轻松地将手机相机转换为这种类型的全息显微镜。此外，控制电子设备甚至成像仪都可以通过利用过程中可用的电子设备集成到同一个芯片中，从而创建一个一体化的微型LED，可能对该领域产生变革。

麻省理工学院电气工程教授，两篇论文的共同作者，SMART CAMP和DiSTAP首席研究员Rajeev Ram补充道：“除了在无透镜全息技术方面的巨大潜力之外，我们的新型LED还具有广泛的其他可能应用。由于其波长在生物组织的最小吸收窗口内，加上其高强度和纳米级发射区域，我们的LED可能是生物成像和生物传感应用的理想选择，包括近场显微镜和植入式CMOS设备。此外，可以将这种LED与片上光电探测器集成，然后它可以在片上通信，NIR接近传感和光子学的晶圆测试中找到进一步的应用。”

相关链接：https://phys.org/news/2023-05-technology-enables-conversion-mobile-cameras.html