近几十年来，强度传感器的小型化使得当今的相机在许多领域得到广泛应用。如，医学影像、智能手机、安防、机器人和自动驾驶等。然而，成像器(imager)的尺寸如果能够再小一个数量级，那它将在纳米机器人、体内成像、AR/VR、健康检测等领域激发更多的新应用。虽然确实存在亚微米像素尺寸的图像传感器，但是传统光学限制了成像器的进一步小型化。传统成像系统由一系列校正像差的折射光学元件组成笨重的镜头，是为相机尺寸的下限。还有一个基本的障碍在于镜头焦距难以缩短，因为这会引入更大的色差。
神经纳米光学用于高质量薄透镜成像
技术背景：
近几十年来，强度传感器的小型化使得当今的相机在许多领域得到广泛应用。如，医学影像、智能手机、安防、机器人和自动驾驶等。然而，成像器(imager)的尺寸如果能够再小一个数量级，那它将在纳米机器人、体内成像、AR/VR、健康检测等领域激发更多的新应用。虽然确实存在亚微米像素尺寸的图像传感器，但是传统光学限制了成像器的进一步小型化。传统成像系统由一系列校正像差的折射光学元件组成笨重的镜头，是为相机尺寸的下限。还有一个基本的障碍在于镜头焦距难以缩短，因为这会引入更大的色差。
基于计算设计的超表面光学(meta-optics)是成像器小型化的可行手段之一。超薄的meta-optics使用亚波长级纳米天线(nano-antennas)，以比传统的衍射光学元件(DOE)更大的设计自由度和空间带宽积来调制入射光。此外，meta-optical散射体丰富的模态特性使得其比DOE具有更多的能力，如偏振、频率、角度多路复用等。meta-optics可以使用广泛可用的集成电路代工技术制造(如深紫外光刻(DUV))，而无需基于聚合物的DOE或二元光学器件中使用的多个蚀刻步骤、金刚石车削或灰度光刻(grayscale lithography)。
尽管meta-optics优势很大，且在用于成像、偏振控制、全息的平面光学器件中得到应用，但是当前其缺陷也很明显。受限于meta-optics赋予的不连续的相位分布，产生了严重的、波长相关的像差，使得现有的超表面成像方法比基于折射元件的镜头在图像重建误差上要高出一个数量级。色散工程(dISPersion engineering)旨在通过利用群延迟和群延迟色散聚焦宽带光来缓解与波长相关的像差，但是这种技术从根本上不能拥有大孔径设计。因此，现有的方法在不严重减小数值孔径或支持的波长范围的情况下，无法增加可实现的孔径尺寸。其它一些尝试解决方案仅限于离散波长或窄带照明。
除了色差外，超表面还具有强烈的几何像差，限制了它们在宽视场成像中的应用。而支持宽视场的手段通常要么依赖于小的输入孔径(限制光的采集)，要么使用多个超表面(极大增加制造复杂度)。此外，多个超表面之间是有间隙的，且间隙与孔径成线性比例，因此随着孔径的增加，meta-optics的尺寸优势就消失了。
最近，利用计算成像将像差校正的任务转移到后端处理软件上已经成为一种新的手段。尽管这些方法可以在没有严格孔径限制的情况下实现全彩成像超表面，但它们仅限于20度以下的视场角，并且重建的空间分辨率比传统折射光学低一个数量级。此外，现有的学习去卷积方法仅限于标准编码器-解码器架构的变体，例如U-Net，并且通常无法推广到实验测量或处理大像差。
近来提出了一些新的成像器，如单光学元件相机、无透镜相机等。单光学元件替代多个光学元件的堆叠，减小了尺寸，但是由于低衍射效率，其成像性能无法与商用成像器相比。即使其最成功的案例也由于焦距大于10mm使得小型化失败。无透镜相机用振幅掩膜替代光学元件来缩小尺寸，但是空间分辨率严重受限，采集时间变长。
当前不足：
目前各种逆向设计技术已经被用于meta-optics的设计。但是由于内存要求过高，现有的端到端优化框架无法扩展到大孔径尺寸，并且其没有针对最终的全彩图像质量进行优化，而且通常依赖于焦斑强度这样的中间指标。
文章创新点：
基于此，美国普林斯顿大学的Ethan Tseng(一作)和Felix Heide(通讯)提出一种端到端可微成像模型联合优化超表面和解卷积算法，设计了一个高质量、偏振不敏感的纳米光学成像器，可以用于400-700nm的全彩、40°宽视场成像。成像效果可以媲美含6个镜片、体积是其55万倍的镜头。超表面F数为2，孔径为500um，其涵盖散射体数为160万个。相比以往的超表面设计方法，孔径翻倍，散射体数多一个数量级，计算效率还大大提升。
将物理上的超表面和图像传感器的成像与解卷积重建看作网络的前向传播模型，然后，网络输出与Ground Truth对比获得损失函数，反向传播优化超表面的面型参数和解卷积网络的参数。超表面加工使用DUV光刻加工，便于大规模生产。
成像模型为：
图像与光学系统的PSF卷积，相机感光加上其本身的噪声得到带噪声的图像，然后利用解卷积算法求得重建图像。作者在成像模型采取了一些特殊操作，使得计算量大大减小。一是对多项式拟合meta-optics的幂用偶数，使得PSF是对称的，从而只要沿着一个轴就可以模拟整个视场。二是用代理函数(proxy function)在局部相位近似下模拟散射体的相位响应，从而能使用自动微分进行逆向设计。最终内存需要相比传统方法(FDTD法)下降近3000倍，速度提升三个数量级。
设计一个神经网络架构，在学习的特征空间而不是原始图像强度上做解卷积。这种技术结合了基于模型的解卷积的泛化能力和神经网络的有效特征学习，从而能够解决具有严重像差和大空间范围的PSF的meta-optics的图像解卷积，即使在模拟中训练，也可以很好的推广到实验采集的图像。
成像模型公式：
I是训练的Ground Truth,O是前向传播得到的像。 fMETA作用在超表面上得到超表面的点扩散函数PSF，fSENSOR描述图像传感器感光加上其本身的读取噪声。星号*代表卷积。
优化问题公式：
方程左边大括号内，前者用于加工meta-optics，后者用于确定解卷积算法。
附图：
因为后焦只有1mm，作者所用图像传感器不适于直接接收像面，因此使用物镜加tube lens作为中继镜头。
（晶圆级镜头尺寸也可以达到本文超表面如此程度，如ovm6948，视场角120°，0.65mmX0.65mm）
DOI：https://doi.org/10.1038/s41467-021-26443-0
关于昊量光电：
上海昊量光电设备有限公司是国内知名光电产品专业代理商，代理品牌均处于相关领域的发展前沿；产品包括各类激光器、光电调制器、光学测量设备、精密光学元件等，涉及应用领域涵盖了材料加工、光通讯、生物医疗、科学研究、国防及更细分的前沿市场如量子光学、生物显微、物联传感、精密加工、先进激光制造等；可为客户提供完整的设备安装，培训，硬件开发，软件开发，系统集成等优质服务。
您可以通过昊量光电的官方网站www.auniontech.com了解更多的产品信息，或直接来电咨询4006-888-532。
本文章经光学前沿授权转载,商业转载请联系获得授权。
