现代成像系统（如智能手机、虚拟现实VR和增强现实AR等设备中使用的成像系统）不断发展，变得更加紧凑、高效和高性能。传统光学系统依赖于笨重的玻璃透镜，这些透镜存在色差、多波长效率低和物理尺寸大等局限性。在设计体积更小、重量更轻，但仍能产生高质量图像的系统时，这些缺点带来了挑战。
为了克服这些问题，研究人员开发出了超透镜——由微小纳米结构组成的超薄透镜，可以在纳米尺度上操纵光线。超透镜为光学系统的微型化提供了巨大的潜力，但它们也并非没有自身的挑战，尤其是在捕捉不失真全彩图像方面。
在最近发表在《先进光子学》（Advanced Photonics）上的一项研究中，研究人员推出了一种创新的、由深度学习驱动的端到端超透镜成像系统，该系统克服了上述诸多限制。该系统将大规模生产的超透镜与深度学习驱动的专业图像修复框架配对使用。
超透镜成像系统示意图：由具有任意旋转角度的纳米结构阵列组成的超透镜获取图像，该图像被恢复以生成与原始“地面实况”图像质量非常接近的输出图像。
通过将先进的光学硬件与人工智能（AI）相结合，该团队实现了高分辨率、无像差、全彩图像，同时保持了超透镜所承诺的紧凑外形。
超透镜本身是通过纳米压印光刻技术制造的，这是一种可扩展且具有成本效益的方法，然后进行原子层沉积，从而实现了这种透镜的大规模生产。超透镜设计用于有效聚焦光线，但与大多数超透镜一样，由于与不同波长的光线相互作用，会产生色差和其他畸变。
为了解决这个问题，深度学习模型经过训练，可以识别并纠正超透镜造成的色差和模糊。这种方法的独特之处在于，它可以从大量的图像数据集中学习，并将这些修正应用于系统未来捕获的图像。
（a）真实图像，（b）超透镜图像，以及 （c）由我们的模型重建的图像。这些图像与测试集数据相关联。放大图像的中央（红色）和外部（黄色）区域，以分别在高视角和低视角下获得超透镜图像的恢复。超透镜图像的外部区域（黄色框）被成功恢复，尽管由于高视角下的角度像差，这些区域比内部区域（红色框）退化得更严重。
图像修复框架使用对抗学习，即两个神经网络一起训练。一个网络生成修正图像，另一个网络评估图像质量，推动系统不断改进。
此外，位置嵌入等先进技术有助于模型理解图像失真如何随观察角度的变化而变化。这使得修复后的图像有了明显改善，特别是在整个视场的色彩准确度和清晰度方面。
该系统产生的图像可与传统笨重镜头产生的图像相媲美，但体积更小、效率更高。从智能手机和相机等消费电子产品，到 VR 和 AR 等更专业的应用，这一创新有可能给各行各业带来革命性的变化。通过解决超透镜的核心问题——色差和像差，这项工作使我们更接近于将这些紧凑型透镜集成到日常成像设备中。
据资深通讯作者、韩国浦项科技大学（POSTECH，韩国）机械工程、化学工程和电气工程专业的教授Junsuk Rho说：“这种深度学习驱动的系统标志着光学领域的重大进步，为在不牺牲质量的前提下创造更小、更高效的成像系统提供了一条新途径。”
量产高性能超透镜的能力，再加上人工智能驱动的修正，让我们更接近这样一个未来：在商业和工业应用中，紧凑、轻便、高质量的成像系统成为常态。
相关链接：https://phys.org/news/2024-11-metalenses-harness-ai-high-resolution.html
论文链接：https://dx.doi.org/10.1117/1.AP.6.6.066002