研究人员利用深度学习技术来提高超透镜相机的图像质量。新方法使用人工智能将低质量图像转变为高质量图像,这可以使这些相机适用于多种成像任务,包括复杂的显微镜应用和移动设备。
超透镜是超薄光学设备——通常只有几分之一毫米厚——利用纳米结构来操纵光。尽管它们的小尺寸有可能在没有传统光学镜头的情况下实现极其紧凑和轻便的相机,但使用这些光学组件很难实现必要的图像质量。
“我们的技术使基于超透镜的设备能够克服图像质量的限制,”中国东南大学的研究团队负责人JiChen说。“这一进步将在高度便携式消费成像电子产品的未来发展中发挥重要作用,也可用于显微镜等专业成像应用。”
在《光学快报》杂志上,研究人员描述了他们如何使用一种称为多尺度卷积神经网络的机器学习来提高小型相机(约3厘米×3厘米×0.5厘米)图像的分辨率、对比度和失真度。他们通过将超透镜直接集成到CMOS成像芯片上来创建。
“Metalens集成相机可以直接集成到智能手机的成像模块中,从而取代传统的折射体镜头,”陈说。“它们还可以用于无人机等设备,其中体积小、重量轻的相机将确保成像质量,而不会影响无人机的移动性。”
提高图像质量
新工作中使用的相机是研究人员之前开发的,使用具有1000纳米高的圆柱形氮化硅纳米柱的超透镜。超透镜将光线直接聚焦到CMOS成像传感器上,无需任何其他光学元件。
尽管这种设计创造了一个非常小的相机,但紧凑的架构限制了图像质量。因此,研究人员决定看看是否可以使用机器学习来改善图像。
深度学习是机器学习的一种,它使用多层人工神经网络自动从数据中学习特征并做出复杂的决策或预测。研究人员通过使用卷积成像模型来应用这种方法来生成大量高质量和低质量图像对。这些图像对用于训练多尺度卷积神经网络,使其能够识别每种类型图像的特征,并利用该特征将低质量图像转化为高质量图像。
“这项工作的一个关键部分是开发一种方法来生成神经网络学习过程所需的大量训练数据,”陈说。“经过训练,低质量图像可以从设备发送到神经网络进行处理,并立即获得高质量的成像结果。”
应用神经网络
为了验证新的深度学习技术,研究人员在100张测试图像上使用了它。他们分析了两种常用的图像处理指标:峰值信噪比和结构相似性指数。
他们发现神经网络处理的图像在这两个指标上都表现出显着的改进。他们还表明,该方法可以快速生成高质量的成像数据,这些数据与通过实验直接捕获的数据非常相似。
研究人员现在正在设计具有复杂功能(例如彩色或广角成像)的超镜头,并开发神经网络方法来提高这些先进超镜头的成像质量。为了使这项技术应用于商业应用,需要新的组装技术,将超镜头集成到智能手机成像模块和专为手机设计的图像质量增强软件中。
“超轻超薄超透镜代表了未来成像和检测的革命性技术,”陈说。“利用深度学习技术来优化超透镜性能标志着一个关键的发展轨迹。我们预见机器学习将成为推进光子学研究的重要趋势。”
标签:
免责声明:本文由用户上传,如有侵权请联系删除!