가시광 스펙트럼 분할 메타렌즈: 장애물 없는 광범위 대역 이미징을 위한 학습 기반 접근 방식

Learned split-spectrum metalens for obstruction-free broadband imaging in the visible

빗방울, 울타리 또는 먼지와 같은 장애물은 획득된 이미지를 저하시키며, 특히 기계적인 청소가 불가능한 경우 더욱 그렇습니다. 기존의 장애물 해결 방법은 부피가 큰 복합 광학 어레이 또는 계산 기반 채우기 기술에 의존하며, 이는 소형화 또는 이미지 충실도를 저해합니다. 초소형 메타-원자로 구성된 메타렌즈는 소형 이미징을 가능하게 하지만, 광범위 대역과 장애물 없는 이미징을 동시에 달성하는 것은 여전히 어려운 과제입니다. 왜냐하면, 넓은 스펙트럼에서 원거리 장면을 이미징하는 메타렌즈는 가까운 거리의 장애물을 제대로 흐리게 처리할 수 없기 때문입니다. 본 연구에서는 광범위 대역의 장애물 없는 이미징을 가능하게 하는 학습 기반 스펙트럼 분할 메타렌즈를 소개합니다. 저희의 접근 방식은 각 RGB 채널의 스펙트럼을 멀티-밴드 분광 필터링을 통해 통과 및 차단 대역으로 나누고, 메타렌즈를 학습시켜 원거리 물체에서 오는 빛을 통과 대역을 통해 초점에 맞추고, 동시에 가까운 거리에서 오는 빛을 차단 대역을 통해 필터링합니다. 이 광학 신호는 추가적으로 신경망을 사용하여 증폭됩니다. 저희의 학습 기반 스펙트럼 분할 메타렌즈는 기존의 하이퍼볼릭 설계에 비해 상대적인 PSNR 향상 32.29%를 달성하여 광범위 대역의 장애물 없는 이미징을 구현하며, 객체 탐지 및 의미 분할 정확도를 절대적인 mAP +13.54%, IoU +48.45%, mIoU +20.35%의 향상을 보입니다. 이는 모바일 로봇, 드론 및 내시경과 같은 공간 제약적인 시스템을 위한 견고한 장애물 없는 센싱 및 비전을 가능하게 합니다.

Obstructions such as raindrops, fences, or dust degrade captured images, especially when mechanical cleaning is infeasible. Conventional solutions to obstructions rely on a bulky compound optics array or computational inpainting, which compromise compactness or fidelity. Metalenses composed of subwavelength meta-atoms promise compact imaging, but simultaneous achievement of broadband and obstruction-free imaging remains a challenge, since a metalens that images distant scenes across a broadband spectrum cannot properly defocus near-depth occlusions. Here, we introduce a learned split-spectrum metalens that enables broadband obstruction-free imaging. Our approach divides the spectrum of each RGB channel into pass and stop bands with multi-band spectral filtering and learns the metalens to focus light from far objects through pass bands, while filtering focused near-depth light through stop bands. This optical signal is further enhanced using a neural network. Our learned split-spectrum metalens achieves broadband and obstruction-free imaging with relative PSNR gains of 32.29% and improves object detection and semantic segmentation accuracies with absolute gains of +13.54% mAP, +48.45% IoU, and +20.35% mIoU over a conventional hyperbolic design. This promises robust obstruction-free sensing and vision for space-constrained systems, such as mobile robots, drones, and endoscopes.