PART.01
高光谱成像对于材料鉴定至关重要，但传统系统体积庞大，阻碍了紧凑型系统的发展。虽然以前的超表面解决了体积问题，但复杂的制造工艺和大量占地面积的要求仍然限制了它们的应用。这项工作通过将超光学与小数据凸/深 （CODE） 深度学习理论相结合，报道了一种紧凑的快照高光谱成像器。我们的快照高光谱成像仪仅由一个在可见窗口 （500-650 nm） 内工作的多波长超表面芯片组成，显著减小了设备面积。为了证明我们的高光谱成像仪的高性能，我们使用了 4 波段多光谱成像数据集作为输入。通过 CODE 驱动的成像系统，它仅使用 18 个训练数据点即可高效生成具有高保真度的 18 波段高光谱数据立方体。我们预计多共振超表面与小数据学习理论的优雅集成将使用于基础科学研究和实际应用的低调先进仪器成为可能。
光通信、计算和传感领域的应用不断扩大，继续推动对高性能集成光子元件的需求。设计这些具有任意功能的片上系统所需的要求超出了物理直觉所能达到的水平，而基于机器学习的方法最近开始流行起来。然而，对物理精确器件仿真的计算需求带来了关键挑战，严重限制了这些方法的可扩展性和设计灵活性。在这里，我们提出了一个高度可扩展、基于物理信息的设计平台，用于具有任意功能的片上光学系统，该平台基于定制设计的马赫-曾德尔干涉仪的深度光子网络。利用这个平台，我们展示了超宽带功率分配器和频谱双工器，每个都在两分钟内完成设计。这些器件表现出最先进的实验性能，插入损耗低于 0.66 dB，1 dB 带宽超过 120 nm。该平台为系统化、大规模光子系统设计提供了一条可行的路径，为高吞吐量通信、量子信息处理和医疗/生物传感应用提供了定制的功率、相位和色散曲线。
需要太阳能吸收剂来吸收太阳光谱辐照度的大部分能量。我们提出了一种基于石墨烯的太阳能吸收器设计，具有两种不同的超表面，以改善这种吸收并提高太阳能吸收器的效率。超表面是根据其对称/不对称性质（O 形和 L 形）来选择的。O 形超表面设计显示出比 L 形超表面设计更好的性能。还将吸收性能与 AM 1.5 太阳光谱辐照度进行比较，以显示太阳能吸收器的有效性。通过改变谐振器厚度和衬底厚度等参数，还可以增强吸收值。拟议的太阳能吸收器设计在紫外线和可见光范围内提供最大的吸收。此外，该设计在宽入射角上也显示出高且相似的吸收率。O 形超表面设计的吸收也是使用机器学习来预测的。1D 卷积神经网络回归用于开发机器学习模型，以确定入射角、谐振器厚度和衬底厚度等各种值的中间波长吸收值。实验结果表明，吸收值可以高度准确地预测。所提出的吸收器具有高吸收能力，可用于绿色能源应用。
随着深度学习技术的迅速发展，计算光学成像领域迎来了新的机遇。传统光学成像系统受限于硬件能力和物理法则，难以在高分辨率和高速成像间取得平衡。而深度学习以其强大的数据处理和模式识别能力，正在突破这一瓶颈。基于深度学习的计算光学成像通过神经网络对复杂数据进行建模与分析，实现了超分辨率成像、快速成像和高精度成像等多种高难度任务。这种技术不仅提升了成像质量，还显著减少了数据处理时间，极大拓展了光学成像的应用范围。尤其在医学影像、材料科学和工业检测等领域，深度学习驱动的计算光学成像正展示出强大的潜力与优势。通过深度学习算法优化光学系统，研究人员能够更高效地捕获和解析图像，推动成像技术向更高水平发展。深度学习在计算光学成像的应用领域非常广泛，包括但不限于：
超分辨率成像：通过深度学习技术提高图像的空间分辨率。
图像重建和去模糊：处理模糊图像或降噪，改善成像质量。
光学逆问题求解：利用神经网络处理复杂的光学逆问题，如光学成像系统中的反演。利用深度学习模型对光学成像过程进行优化和控制，实现更高效的成像方法。
深度光学：利用深度学习设计光学系统的参数和配置，实现高性能成像。
医学成像：应用于MRI、CT扫描等医学图像的分析和重建。
遥感和地球观测：处理和分析遥感图像，提取地表特征和环境信息。
工业视觉：在自动化和质检领域中，利用深度学习技术进行视觉检测和分析。
这些应用展示了深度学习在改进成像质量、优化光学系统设计以及推动各种领域的创新应用中的潜力。
关注我们 | 加入学会
中国光学工程学会是中国民政部批准的全国性一级学会。会员涉及光学和光学工程领域的科学家、工程技术人员、教授、学者，以及商界精英。学会秉承“创新、协同、求真、务实”的精神，将通过学术交流、成果展示、成果转化等多种形式，搭建一个产学研大平台，推动光学工程的技术创新、注重光学科技的成果转化、面向应用促进光学前沿的工程化。中国光学工程学会推荐年轻的领军专家作为学会核心力量，培养一批国内外新领军人物。
扫码入会
如有其他合作需求
请联系光博士
