A csapat egy több skálájú, konvolúciós neurális hálózatot használt a felbontás, a kontraszt és a torzítás javítására a kisméretű kamera képein. A módszer a mesterséges intelligenciát használja ki a képek feljavítására, így az ilyen metalencsék számos feladat ellátására alkalmasak lesznek, például komplex mikroszkópiai alkalmazásokban és mobil eszközökben való felhasználásra.
A körülbelül 3×3×0,5 cm méretű metalencse közvetlenül egy fémérzékelőt integrál egy CMOS képalkotó-chipre.
A gépi tanulást alkalmazó fejlesztések
A metalencsék hihetetlenül vékony optikai eszközök, amelyek nanoszerkezetek segítségével irányítják a fényt: gyakran csak néhány atom vastagságúak. Bár apró méretük hihetetlenül könnyű és kompakt fényképezőgépeket tesz lehetővé hagyományos optikai lencsék nélkül, a szükséges képminőség elérése ezekkel az optikai alkatrészekkel kihívásnak bizonyult.
A kihívások megoldására a csapat egy mélytanulásos, magas minőségű képalkotási módszert fejlesztett ki gépi tanulás segítségével. A kialakítás egy nagyon kicsi kamerát eredményezett, a kompakt felépítés korlátozta a képminőséget. Ezért a kutatók úgy döntöttek, hogy megvizsgálják, vajon a gépi tanulással lehet-e javítani a képeken. A mélytanulás többrétegű mesterséges neurális hálózatokat használ arra, hogy automatikusan tanuljon jellemzőket az adatokból, és összetett döntéseket vagy előrejelzéseket hozzon. A kutatók ezt a technikát egy konvolúciós képalkotási modell segítségével alkalmazták, hogy egy nagy adathalmazt állítsanak elő párosított jó és rossz minőségű képekből.
„A munka kulcsfontosságú része volt egy olyan módszer kifejlesztése, amellyel a neurális hálózat tanulási folyamatához szükséges nagy mennyiségű képzési adatot lehetett előállítani. A betanítás után egy rossz minőségű képet el lehet küldeni a készülékből a neurális hálózatba feldolgozásra, és azonnal kiváló minőségű képalkotási eredményeket kapunk”,
mondta Ji Chen, a kínai Délkeleti Egyetem munkatársa, a kutatás vezetője egy közleményben.
Következő generációs képalkotás
A kutatók 100 tesztfotón alkalmazták az új mélytanulási módszert annak validálása céljából. Megvizsgálták a csúcsjel-zaj arányt és a szerkezeti hasonlósági indexet, két, a képfeldolgozásban széles körben használt mérőszámot. A csapat szerint mindkét mérőszámban észrevehető javulás volt tapasztalható azoknál a képeknél, amelyeket a neurális hálózat elemzett. Azt is bemutatták, hogy a módszer hogyan képes gyorsan és a kísérletekben közvetlenül megfigyeltekhez közeli, jó minőségű képi adatokat előállítani.
„A mélytanulási technikák kihasználása a metalencse teljesítményének optimalizálására kulcsfontosságú fejlesztési pályát jelöl ki. A gépi tanulást a fotonikai kutatások előmozdításának alapvető trendjeként látjuk”,
mondta Chen.
A csapat kutatásának részleteit az „Optics Letters” című folyóiratban tették közzé.
