计算光学系统设计

本重点实验室提出了基于计算成像理论的新型光学系统设计方法，系统地以全链路全局优化的一体化设计思想来描述光学系统成像过程，从而能够将传统光学系统像差的矫正过程转移到其他成像环节。同时伴随着电子芯片计算性能的发展，采用端到端的设计方法，通过最大限度发挥光学系统设计与算法矫正的作用并将二者进行有机结合，在实现高质量成像的同时，降低精度约束，降低硬件难度。

相较于传统的由多个光学镜片组成的光学系统，极简光学系统具有更小的体积和质量、更低的系统复杂度、更低的组装难度与更高的能量透过率，有利于缩短光学镜头中的加工步骤。在端到端的极简光学成像系统设计过程中，通过神经网络优化光学系统的系统参数，根据光学系统参数提取特征点扩散函数，通过计算点扩散函数所引起的成像退化程度与算法矫正能力，以最终矫正后所得到的图像质量为评价，设计得到光学系统的最优参数，实现极简光学成像系统的高质量成像。面对光学系统对小型化、轻量化的需求，基于计算成像理论的新型光学系统设计技术以更低的加工难度、更短的制造周期、更少的制造成本，最终能够达到与传统光学系统同等清晰度下的成像效果，其光学系统重量较传统光学系统结构大大降低，具有广阔的发展前景。

图1 基于端到端的单透镜成像系统设计

                            (a):传统多镜片光学系统                           (b):单透镜光学系统

                           (c):传统光学系统(a)直接成像      (d):单透镜(b)直接成像       (e):单透镜(b)成像计算重构

图2 光学系统结构和成像效果

(a1)-(d1)为低精度单透镜直接成像结果；(a2)-(d2)为经算法矫正后成像结果

图3 低精度单透镜光学系统成像结果复原效果

(左：光学系统输出模糊图像 右：基于空间点扩散函数特性的算法复原图像)

图4 联合设计单透镜成像系统复原效果图

相关文献：

[1] Schuler C J, Hirsch M, Harmeling S, et al. Non-stationary correction of optical aberrations[C]//2011 International Conference on Computer Vision. IEEE, 2011: 659-666.

[2] Heide F, Rouf M, Hullin M B, et al. High-quality computational imaging through simple lenses[J]. ACM Transactions on Graphics (TOG), 2013, 32(5): 1-14.

[3] 李卫丽. 单透镜高质量计算成像技术研究[D]. 国防科学技术大学, 2014.

[4] Li W, Liu Y, Yin X, et al. A computational photography algorithm for quality enhancement of single lens imaging deblurring[J]. Optik, 2015, 126(21): 2788-2792.

[5] 郝建坤. 基于计算光学的简单透镜成像技术[D]. 中国科学院研究生院 (长春光学精密机械与物理研究所), 2015.

[6] 郝建坤, 黄玮, 刘军, 等. 空间变化 PSF 非盲去卷积图像复原法综述[J]. 中国光学, 2016, 9(1): 41-50.

[7] 白杨. 光学联合设计中的数字校正技术研究[D]. 郑州大学, 2016.

[8] 崔金林. 基于计算光学的非完善光学系统图像质量提高及其应用研究[D]. 长春: 中国科学院长春光学精密机械与物理研究所, 2018.

[9] Wang J, Wang L, Yang Y, et al. An integral design strategy combining optical system and image processing to obtain high resolution images[C]//Remotely Sensed Data Compression, Communications, and Processing XII. International Society for Optics and Photonics, 2016, 9874: 98740F.

[10] 王娇阳. 提升成像质量的计算光学设计方法研究[D]. 西安电子科技大学, 2017.

[11] Li W, Yin X, Liu Y, et al. Computational imaging through chromatic aberration corrected simple lenses[J]. Journal of Modern Optics, 2017, 64(20): 2211-2220.

[12] 谭政, 相里斌, 吕群波, 等. 基于像差选择性校正的光学-数字联合设计[J]. 光子学报, 2018, 47(5): 0511001.

[13] 魏雅喆. 计算成像中光学联合设计方法研究[D]. 西安电子科技大学, 2019.

[14] Zhang X F, Huang W, Xu M F, et al. Super-resolution imaging for infrared micro-scanning optical system[J]. Optics express, 2019, 27(5): 7719-7737.

[15] 苏云,徐婧,俞越,席特立,魏士杰,邵晓鹏.高分辨率大视场计算成像方法[J].激光与光电子学进展,2021,58(18):416-423.

[16] Bian Y., Jiang Y., Huang Y., et al. Smart-phone phase contrast microscope with a singlet lens and deep learning. Optics & Laser Technology, 2021.

[17] Yinxu Bian, Yannan Jiang, Yuran Huang，Xiaofei Yang, Weijie Deng，Hua Shen, Renbing Shen, and Cuifang Kuang, Deep learning virtual colorization overcoming chromatic aberrations in singlet lens microscopy. APL Photonics 6, 031301 (2021).

[18] Yuchen Ma, Jiachen Wu, Shumei Chen, and Liangcai Cao,"Explicit-restriction convolutional framework for lens less imaging, "Optics Express 30, 15266-15278 (2022).

[19] Xiong Dun, Hayato Ikoma, Gordon Wetzstein, Zhanshan Wang, Xinbin Cheng, and Yifan (Evan) Peng, Learned rotationally symmetric diffractive achromat for full-spectrum computational imaging, OSA Optica (2020).

[20] Q. Sun, E. Tseng, Q. Fu, W. Heidrich and F. Heide, "Learning Rank-1 Diffractive Optics for Single-Shot High Dynamic Range Imaging,"2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020, pp. 1383-1393C.

[21] A. Metzler, H. Ikoma, Y. Peng and G. Wetzstein, "Deep Optics for Single-Shot High-Dynamic-Range Imaging,"2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020, pp. 1372-1382.

[22] Tseng, E., Colburn, S., Whitehead, J.et al.Neural nano-optics for high-quality thin lens imaging.Nat Commun12, 6493 (2021).

[23] Ji Chen, Xin Ye, Shenglun Gao, Yuxin Chen, Yunwei Zhao, Chunyu Huang, Kai Qiu, Shining Zhu, and Tao Li, "Planar wide-angle-imaging camera enabled by metalens array," Optica 9, 431-437 (2022)