Metalowe soczewki zasilane sztuczną inteligencją umożliwiają obrazowanie w pełnym kolorze w wysokiej rozdzielczości w kompaktowych systemach optycznych.
Nowoczesne systemy obrazowania, w tym te w smartfonach, urządzeniach rzeczywistości wirtualnej (VR) i rzeczywistości rozszerzonej (AR), są stale udoskonalane, aby osiągnąć większą kompaktowość, wydajność i wydajność. Konwencjonalne systemy optyczne, które opierają się na nieporęcznych szklanych soczewkach, borykają się z wyzwaniami, takimi jak aberracje chromatyczne, nieefektywność w przypadku wielu długości fal i duże rozmiary fizyczne.
Te wady stanowią wyzwanie przy projektowaniu mniejszych i lżejszych systemów, które nadal wytwarzają obrazy o wysokiej jakości. Aby przezwyciężyć te problemy, badacze opracowali metalensy – ultracienkie soczewki złożone z maleńkich nanostruktur, które potrafią manipulować światłem w nanoskala.
Metalensy oferują ogromny potencjał miniaturyzacji systemów optycznych, ale nie są pozbawione własnych wyzwań, szczególnie jeśli chodzi o przechwytywanie pełnokolorowych obrazów bez zniekształceń.
Przełom w technologii obrazowania Metalens
W niedawnym badaniu opublikowanym w Zaawansowana fotonikabadacze wprowadzili innowacyjny, oparty na głębokim uczeniu, kompleksowy system obrazowania metali, który przezwycięża wiele z tych ograniczeń. System ten łączy masowo produkowane metale ze specjalistycznym środowiskiem przywracania obrazu opartym na głębokim uczeniu. Łącząc zaawansowany sprzęt optyczny z sztuczna inteligencja (AI) zespołowi udało się uzyskać obrazy o wysokiej rozdzielczości, pozbawione aberracji i w pełni kolorowe, a wszystko to przy zachowaniu kompaktowej obudowy, którą obiecują metalenses.
Same metale są wytwarzane przy użyciu litografii nanoimdrukowej, skalowalnej i ekonomicznej metody, a następnie osadzania warstwy atomowej, co pozwala na produkcję tych soczewek na dużą skalę. Metale zostały zaprojektowane tak, aby skutecznie skupiać światło, ale podobnie jak większość metalowych soczewek charakteryzują się aberracją chromatyczną i innymi zniekształceniami wynikającymi z interakcji ze światłem o różnych długościach fal.
Aby rozwiązać ten problem, model głębokiego uczenia się jest szkolony w zakresie rozpoznawania i korygowania zniekształceń i rozmyć kolorów spowodowanych przez metale. To podejście jest wyjątkowe, ponieważ uczy się na podstawie dużego zbioru danych obrazów i stosuje te poprawki do przyszłych obrazów przechwytywanych przez system.
Jak głębokie uczenie się poprawia obrazowanie
Struktura przywracania obrazu wykorzystuje uczenie kontradyktoryjne, podczas którego trenowane są razem dwie sieci neuronowe. Jedna sieć generuje poprawione obrazy, a druga ocenia ich jakość, zmuszając system do ciągłego doskonalenia. Dodatkowo zaawansowane techniki, takie jak osadzanie pozycyjne, pomagają modelowi zrozumieć, jak zmieniają się zniekształcenia obrazu w zależności od kąta patrzenia. Powoduje to znaczną poprawę odtworzonych obrazów, szczególnie pod względem kolorystycznym dokładność i ostrość w całym polu widzenia.
System zapewnia obrazy dorównujące obrazom uzyskiwanym z tradycyjnych, nieporęcznych obiektywów, ale w znacznie mniejszym, bardziej wydajnym opakowaniu. Ta innowacja może zrewolucjonizować wiele branż, od elektroniki użytkowej, takiej jak smartfony i aparaty fotograficzne, po bardziej wyspecjalizowane zastosowania w VR i AR. Rozwiązując podstawowe problemy metalensów — aberracje chromatyczne i kątowe — praca ta przybliża nas do integracji tych kompaktowych obiektywów z urządzeniami do obrazowania codziennego użytku.
Według starszego autora i korespondenta Junsuka Rho, Mu-Eun-Jae obdarzył profesora katedry wspólną nominacją w dziedzinie inżynierii mechanicznej, inżynierii chemicznej i elektrotechniki na Uniwersytecie Naukowo-Technologicznym w Pohang (POSTECH, Korea): „To głębokie uczenie się- napędzany oznacza znaczący postęp w dziedzinie optyki, oferując nową drogę do tworzenia mniejszych, bardziej wydajnych systemów obrazowania bez utraty jakości.
Możliwość masowej produkcji wysokowydajnych metalensów w połączeniu z korektami opartymi na sztucznej inteligencji przybliża nas do przyszłości, w której kompaktowe, lekkie i wysokiej jakości systemy obrazowania stają się normą zarówno w zastosowaniach komercyjnych, jak i przemysłowych.
Odniesienie: „Kompleksowe obrazowanie metali oparte na uczeniu głębokim” autorstwa Joonhyuka Seo, Jaegang Jo, Joohoon Kim, Joonho Kanga, Chanik Kanga, Seong-Won Moona, Eunji Lee, Jehyeong Hong, Junsuk Rho i Haejun Chung, 14 listopad 2024, Zaawansowana fotonika.
DOI: 10.1117/1.AP.6.6.066002
