Nat. Commun. | 基于神经网络算法的高分辨超表面纳米相机

为了构建高质量、超紧凑的镜头，研究人员开发了一种机器学习方法，使其利用神经网络图像重建算法学习镜头的超表面物理结构。其中，研究人员使用了神经纳米光学技术进行了端到端学习。他们发现，与现有方法相比，神经纳米光学技术可针对色差进行校正，实现高质量、宽视场的重建图像。

相机超表面的尺寸只有 0.5 mm宽，上面布满了 160 万个圆柱形纳米结构。每个纳米结构都有自己的几何形状，其功能类似于光学天线。每种结构的设计都用于光波前整形。基于机器学习的算法的结果，纳米结构与光相互作用，从而产生图像。

捕获大视野 RGB 图像的难点是如何一起设计数百万个纳米结构与后处理算法。为了解决这一挑战，华盛顿大学的研究人员 Shane Colburn 创建了一个计算模拟器来自动测试不同的纳米天线配置。 Colburn 还开发了一个模型，可以高精度有效地模拟超表面的图像生成能力。该模型有助于简化仿真大量天线和光/天线交互所需的内存和时间。与以前需要理想条件才能产生高质量图像的超表面相机相比，超表面光学层和信号处理算法的集成提高了相机在自然光条件下的性能。

研究人员James Whitehead 使用氮化硅制造超表面，氮化硅是一种与标准半导体制造方法兼容的材料。基于氮化硅的超表面设计可以以比传统相机镜头更低的成本批量生产。

研究人员将他们的系统产生的图像与以前超表面相机的图像和传统复合光学器件捕获的图像进行了比较。除了框架边缘更模糊之外，纳米尺寸相机的图像与传统成像结果水平相当。

超紧凑型相机，主要包括一个由 160 万个圆柱形结构组成的超表面。

传统的超透镜成像方法导致图像质量远低于笨重的折射成像器。本项研究中的超表面在纳米尺寸的相机上实现了大孔径、大视场、小 f 数和大分数带宽的组合成像。这种成像方法是推进了超小型相机的应用，包括用于内窥镜，大脑成像，或在物体表面上分布式应用，纳米相机阵列可用于宽景传感。

本工作结合了表面光学技术与基于神经网络的计算机处理系统。实验突破了具有数百万个特征的大小、形状和位置的超表面设计以及参数检测，并实现了相机所需的成像性能。

目前，研究人员正在努力为相机增加更多的功能。除了优化图像质量之外，他们还希望增加物体检测和其他与医学和机器人相关的传感功能。