麻省理工学院最新研究：端到端超表面设计实现高质量热成像
麻省理工学院最新研究：端到端超表面设计实现高质量热成像
麻省理工学院Sophie Fisher团队在Advanced Optical Materials期刊上发表最新研究，提出了一种基于端到端优化的超表面设计，结合新的非线性图像恢复算法“Planck回归”，实现了高质量、宽带和宽视场的温度成像。
研究背景
传统的热成像系统需要体积庞大的光学元件来获得高质量的成像，且面临宽带成像时的色差问题。现有的超表面虽然可以实现紧凑化设计，但由于色差和像差问题，难以在不依赖大型光学系统的情况下，进行宽带和宽视场的温度成像。因此，如何提高成像质量并减少硬件体积，成为了当前技术的瓶颈。
提出的方法
本文提出了一种基于端到端优化的超表面设计，结合了一种新的非线性图像恢复算法“Planck回归”，用于从灰度热辐射图像中重建温度图。通过在设计阶段共同优化制造可行的单层超表面与图像恢复算法，成功解决了色差等偏轴像差问题，并使得热成像系统具备更高的温度图重建精度。该方法不依赖于大规模的训练集，能够处理任意的图像，包括完全随机的图像。
实现的效果
实验结果显示，所提出的方案在热成像系统中实现了70°视场的全彩成像，覆盖了整个长波红外（LWIR）光谱，且重建误差仅为2.09%（在4%噪声下）。与传统方法相比，Planck回归算法能更有效地处理热成像的色差，重建误差显著降低，达到了2.09%的相对均方根误差（RMSE）。这一方法在不依赖大量特定训练数据的情况下，能够实现高质量、噪声鲁棒的温度重建。
研究创新点
论文展示了算法创新和硬件设计创新的结合，提出了一种新的图像恢复算法，并通过端到端的光学和算法联合优化设计，提升了超表面在热成像中的表现。这种方法突破了传统热成像系统的物理限制，在提高成像精度的同时，减少了硬件复杂度和体积，推动了超紧凑热成像设备的发展。
关键图文解析
图1. 端到端优化管道
可微分的前向管道包括一个物理模型，该模型基于温度图T的黑体发射物体形成的单色传感器图像，以及该物体温度图Test的计算重建。重建误差在前向管道的末端形成。优化通过反向传播梯度来最小化该误差，涉及超表面参数p和重建超参数α，从而通过前向管道的图像形成和重建算法更新这些参数。
图2. 超表面单元格设计
a) 超表面单元格，由一个在硅基板上的宽度可变的1.8–2.7 μm的方形硅柱组成。b) 该单元格复合透射系数t的相位∠t和幅度平方T = |t|²，作为柱宽的函数，在中心频率（λ = 9.6μm）和带宽极限（λ = 8μm，λ = 12μm）下计算。
图3. 端到端优化的单层超表面设计
一个端到端优化的单层超表面设计，用于从1282个单色传感器图像中重建322像素的温度图，图像包含8–12 μm的LWIR热辐射，传感器像素大小为12 μm。超表面由20482个单元格组成，周期为4 μm（图2），数值孔径（NA）为0.20。对于对应中心频率λ = 9.6μm的波长，超表面的直径为853.33λ，超表面到传感器的距离为2083.33λ。在端到端优化中，超表面初始化为一个逆向设计的单色透镜，并收敛到图中显示的结构（a），该图绘制了每个柱子的宽度与超表面面积的关系。(b-d)：端到端设计准确重建了任意物体（如MIT标志）的温度图，4%传感器噪声下的相对均方根误差（RMSE）为2.09%。e)：端到端优化过程中目标函数[方程(5)]的演化（随机温度图的重建，蓝色）以及测试MIT标志的重建误差（红色），f) 重建超参数α的演化。g)：使用端到端优化设计，传感器噪声幅度与随机测试温度图（浅蓝色）和测试MIT标志（红色）重建误差的关系。h)：用于图像形成[方程(2)]的光谱积分方案的21个切比雪夫点的超表面点扩散函数（PSFs）。
图4. 不同传感器尺寸和超表面初始化的端到端优化设计
a): 针对不同传感器尺寸（642、1282和2562传感器像素）和不同超表面初始化（均匀柱宽、三种逆向设计的超表面）进行的端到端优化单层超表面设计——一个优化以最大化中心频率λ = 9.6μm处的焦点强度的单色透镜，一个优化以最大化整个LWIR带宽下最坏焦点强度的“非色差”透镜，以及一个优化以将五个不同频率聚焦到传感器的五个不同点的多色透镜。超表面的参数与图3相同。对于这三种传感器尺寸，我们分别施加2%、4%和8%的噪声（相对于图像均值），因为我们观察到当我们将传感器宽度加倍时，图像均值大致减半。b, c)：对端到端设计的测试MIT标志和测试随机物体的重建相对RMSE。对于固定的传感器尺寸，不同超表面初始化产生的端到端设计表现相似，并且优于逆向设计基准（与普朗克回归结合的初始逆向设计超表面）。随着传感器尺寸的增大，端到端设计的重建误差减少。
图5. Planck回归与CNN重建算法对比
使用普朗克回归重建算法和基准CNN重建算法（使用U-Net架构）对各种测试温度图的重建。传感器图像使用图3中的端到端设计超表面生成，且传感器噪声为4%。CNN在52,000张包含随机采样半径和温度（Tlow = 263.15K至Thigh = 623.15K）的圆形图像集上训练，背景温度为Tbg = 443.15K。a,b)：重建与CNN训练集相似的“测试”圆形图像，U-Net重建极为准确，优于普朗克回归算法。c,d)：重建与CNN训练集不同的测试温度图：一个方形图像和MIT标志图像，背景温度为Tbg。CNN无法泛化到这些情况，产生无法识别的重建图像，而普朗克回归算法则展示了准确且可识别的重建图像。
参考文献
S. Fisher, G. Arya, A. Majumdar, Z. Lin, S. G. Johnson, End-to-End Metasurface Design for Temperature Imaging via Broadband Planck-Radiation Regression. Adv. Optical Mater. 2025, 2402498.
DOI：https://doi.org/10.1002/adom.202402498