I ricercatori hanno sfruttato le tecniche di deep learning per migliorare la qualità dell'immagine di una fotocamera metallica. Il nuovo approccio utilizza l'intelligenza artificiale per trasformare immagini di bassa qualità in immagini di alta qualità, il che potrebbe rendere queste fotocamere utilizzabili per una moltitudine di attività di imaging, comprese complesse applicazioni di microscopia e dispositivi mobili.
I metalense sono dispositivi ottici ultrasottili, spesso spessi solo una frazione di millimetro, che utilizzano nanostrutture per manipolare la luce. Sebbene le loro dimensioni ridotte potrebbero potenzialmente consentire fotocamere estremamente compatte e leggere senza obiettivi ottici tradizionali, è stato difficile ottenere la qualità dell'immagine necessaria con questi componenti ottici.
"La nostra tecnologia consente ai nostri dispositivi basati su metalli di superare i limiti della qualità dell'immagine", ha affermato il leader del gruppo di ricerca Ji Chen della Southeast University in Cina. "Questo progresso svolgerà un ruolo importante nello sviluppo futuro di dispositivi elettronici per l'imaging di consumo altamente portatili e potrà essere utilizzato anche in applicazioni di imaging specializzate come la microscopia."
Nella rivista Lettere di ottica , i ricercatori descrivono come hanno utilizzato un tipo di apprendimento automatico noto come rete neurale convoluzionale multiscala per migliorare la risoluzione, il contrasto e la distorsione nelle immagini provenienti da una piccola fotocamera (circa 3 cm × 3 cm × 0,5 cm) creata integrando direttamente a metalens su un chip di imaging CMOS.
"Le fotocamere integrate negli obiettivi metallici possono essere incorporate direttamente nei moduli di imaging degli smartphone, dove potrebbero sostituire le tradizionali lenti rifrattive", ha affermato Chen. "Potrebbero essere utilizzati anche in dispositivi come i droni, dove le dimensioni ridotte e la leggerezza della fotocamera garantirebbero la qualità delle immagini senza compromettere la mobilità del drone."
La fotocamera utilizzata nel nuovo lavoro è stata precedentemente sviluppata dai ricercatori e utilizza un metallo con nano-post cilindrici di nitruro di silicio alti 1000 nm. La lente metallica concentra la luce direttamente su un sensore di immagine CMOS senza richiedere altri elementi ottici.
Sebbene questo design creasse una fotocamera molto piccola, l'architettura compatta limitava la qualità dell'immagine. Pertanto, i ricercatori hanno deciso di vedere se l'apprendimento automatico potesse essere utilizzato per migliorare le immagini.
Il deep learning è un tipo di apprendimento automatico che utilizza reti neurali artificiali con più livelli per apprendere automaticamente funzionalità dai dati e prendere decisioni o previsioni complesse. I ricercatori hanno applicato questo approccio utilizzando un modello di imaging a convoluzione per generare un gran numero di coppie di immagini di alta e bassa qualità. Queste coppie di immagini sono state utilizzate per addestrare una rete neurale convoluzionale multiscala in modo che potesse riconoscere le caratteristiche di ciascun tipo di immagine e utilizzarle per trasformare immagini di bassa qualità in immagini di alta qualità.
"Una parte fondamentale di questo lavoro è stata lo sviluppo di un modo per generare la grande quantità di dati di training necessari per il processo di apprendimento della rete neurale", ha affermato Chen. "Una volta addestrata, un'immagine di bassa qualità può essere inviata dal dispositivo alla rete neurale per l'elaborazione e si ottengono immediatamente risultati di imaging di alta qualità."
Applicazione della rete neurale
Per convalidare la nuova tecnica di deep learning, i ricercatori l’hanno utilizzata su 100 immagini di prova. Hanno analizzato due parametri di elaborazione delle immagini comunemente utilizzati:il rapporto segnale-rumore di picco e l'indice di somiglianza strutturale.
Hanno scoperto che le immagini elaborate dalla rete neurale mostravano un miglioramento significativo in entrambi i parametri. Hanno inoltre dimostrato che l'approccio potrebbe generare rapidamente dati di imaging di alta qualità che somigliavano molto a ciò che veniva catturato direttamente attraverso la sperimentazione.
I ricercatori stanno ora progettando metallenti con funzionalità complesse, come l'imaging a colori o grandangolare, e stanno sviluppando metodi di rete neurale per migliorare la qualità dell'immagine di questi metallenti avanzati. Per rendere questa tecnologia praticabile per l'applicazione commerciale sarebbero necessarie nuove tecniche di assemblaggio per integrare i metallenti nei moduli di imaging degli smartphone e software di miglioramento della qualità dell'immagine progettati specificamente per i telefoni cellulari.
"Le lenti metalliche ultraleggere e ultrasottili rappresentano una tecnologia rivoluzionaria per l'imaging e il rilevamento futuri", ha affermato Chen. "Lo sfruttamento delle tecniche di deep learning per ottimizzare le prestazioni dei metalli segna una traiettoria di sviluppo fondamentale. Prevediamo che l'apprendimento automatico sarà una tendenza vitale nel progresso della ricerca sulla fotonica."
