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。这种新方法利用人工智能将低质量的图像转化为高质量的图像，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。

超透镜是一种超薄的光学器件，通常只有一毫米厚的几分之一，它使用纳米结构来操纵光。虽然它们的小尺寸有可能使相机在没有传统光学镜头的情况下变得非常紧凑和轻便，但这些光学元件很难达到必要的图像质量。

“我们的技术使我们的基于金属的设备能够克服图像质量的限制，”来自东南大学的研究小组负责人陈吉(音译)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Optica出版集团的《光学快报》杂志上，研究人员描述了他们如何使用一种被称为多尺度卷积神经网络的机器学习来提高小型相机(约3cm × 3cm × 0.5 cm)图像的分辨率、对比度和畸变，他们将超透镜直接集成到CMOS成像芯片上。

“metalens集成相机可以直接集成到智能手机的成像模块中，在那里它们可以取代传统的折光体镜头，”Chen说。“它们也可以用于无人机等设备，在无人机上，小尺寸和轻重量的相机可以在不影响无人机机动性的情况下确保成像质量。”

增强图像质量

在这项新工作中使用的相机是由研究人员先前开发的，它使用了一个带有1000纳米高圆柱形氮化硅纳米柱的超透镜。超透镜将光直接聚焦到CMOS成像传感器上，而不需要任何其他光学元件。虽然这种设计创造了一个非常小的相机，紧凑的架构限制了图像质量。因此，研究人员决定看看机器学习是否可以用来改善图像。

深度学习是一种机器学习，它使用多层人工神经网络从数据中自动学习特征，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的图像对。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，并利用这些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。“经过训练后，低质量的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，经过神经网络处理的图像在这两个指标上都有显著改善。他们还表明，这种方法可以快速生成高质量的成像数据，与直接通过实验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的超透镜，如彩色或广角成像，并开发神经网络方法来提高这些先进超透镜的成像质量。要使这项技术实现商业应用，需要新的组装技术，将超透镜集成到智能手机成像模块和专门为手机设计的图像质量增强软件中。

“超轻和超薄的超透镜代表了未来成像和检测的革命性技术，”Chen说。“利用深度学习技术来优化超透镜的性能标志着一个关键的发展轨迹。我们预计机器学习将成为推进光子学研究的重要趋势。”