Нейронная нанооптика позволит создавать камеры сверх малого размера
Исследователи из Принстонского университета и Вашингтонского университета разработали нейронную наноптику, открывающую путь к созданию сверхмалых устройств формирования изображений. Новая оптическая система основана на технологии, называемой метаповерхностью, и является первой подобной системой, которая обеспечивает высококачественное цветное изображение с широким полем обзора и способна улавливать полный спектр видимого света.
В то время как традиционный объектив использует серию изогнутых стеклянных или пластиковых линз для фокусировки лучей света, нейронная нанооптика основана на технологии, называемой метаповерхностью, которая может быть изготовлена подобно компьютерному чипу. Имея ширину всего в полмиллиметра, метаповерхность новой оптической системы, усеяна 1.6 миллионами цилиндрических столбиков, каждый из которых имеет уникальную геометрию и функционирует как оптическая антенна.
Также здесь не обошлось без технологии искусственного интеллекта. Сигналы, полученные от взаимодействия столбиков со светом, объединяются с помощью алгоритмов на основе глубокого машинного обучения, позволяя формировать изображения высочайшего качества и достигать самого широкого поля зрения, доступного для полноцветной металинзы, разработанной на сегодняшний день.
В процессе разработки, исследователи сравнили изображения, полученные с помощью камеры на базе нейронной нанооптики, с изображениями, полученными с помощью классического объектива, который использует серию из шести преломляющих линз. Помимо небольшого размытия по краям кадра, сравниваемые изображения оказались сопоставимы по качеству, однако стоит учитывать, что конструкция традиционной системы (камера-объектив) более чем в 500 000 раз больше по объему.
Что касается камер на основе существующих метаообъективов, то они страдают от значительных искажений изображения, небольших полей зрения и ограниченной способности улавливать полный спектр видимого света.
«Было непросто спроектировать и настроить эти маленькие наноструктуры так, чтобы они делали то, что вы хотите,- говорит Итан Ценг, аспирант кафедры компьютерных наук в Принстоне, руководившей исследованием. – Нужно было потратить время, чтобы понять, как совместно использовать миллионы наноструктур вместе с алгоритмами цифровой обработки, для такой специфичной задачи, как захват изображения RGB с большим полем зрения»
Соавтор исследования Шейн Колберн из Вашингтонского университета решил эту проблему, создав вычислительный симулятор, который в автоматическом режиме подбирал и тестировал различные конфигурации сстолбиков. По словам Колберна, из-за большого количества этих столбиков и сложности их взаимодействия со светом, такой тип моделирования может использовать «огромное количество памяти и времени». Он разработал модель, позволяющую эффективно аппроксимировать возможности получения изображений метаповерхностью с достаточной точностью.
Другой участник этого проекта, Джеймс Уайтхед, (аспирант Вашингтонского университета), изготовил метаповерхности, которые основаны на нитриде кремния, стеклообразном материале, совместимом со стандартными методами производства полупроводников, используемыми для компьютерных чипов. Это означает, что данная метаповерхность может быть легко изготовлена массово по более низкой цене, чем объективы в обычных камерах.
В настоящий момент исследователи работают над тем, чтобы повысить вычислительную мощность самой камеры. Помимо оптимизации качества изображения, они хотели бы добавить возможности для обнаружения объектов и других методов диагностики, имеющих отношение к медицине и робототехнике. Предполагается, что данная разработка, также может быть использована и в сфере потребительской технике.
«Мы могли бы превратить отдельную поверхность в камеру со сверхвысоким разрешением, так что вам больше не понадобятся три камеры на задней панели вашего смартфона, но вся его задняя часть станет одной гигантской камерой. В будущем, это может породить новый подход в проектировании устройств», - сказал Феликс Хайде, старший автор исследования и доцент кафедры компьютерных наук в Принстоне.
Источник: Princeton University Источник: Princeton Computational Imaging Lab
Комментарии