Los investigadores han aprovechado técnicas de aprendizaje profundo para mejorar la calidad de imagen de una cámara con lente metálica. El nuevo enfoque utiliza inteligencia artificial para convertir imágenes de baja calidad en imágenes de alta calidad, lo que podría hacer que estas cámaras sean viables para una multitud de tareas de imágenes, incluidas complejas aplicaciones de microscopía y dispositivos móviles.
Los metalenses son dispositivos ópticos ultrafinos (a menudo de sólo una fracción de milímetro de espesor) que utilizan nanoestructuras para manipular la luz. Aunque su pequeño tamaño podría permitir cámaras extremadamente compactas y livianas sin lentes ópticas tradicionales, ha sido difícil lograr la calidad de imagen necesaria con estos componentes ópticos.
"Nuestra tecnología permite que nuestros dispositivos basados en metales superen las limitaciones de la calidad de la imagen", dijo el líder del equipo de investigación Ji Chen de la Universidad del Sudeste en China. "Este avance desempeñará un papel importante en el desarrollo futuro de dispositivos electrónicos de imágenes de consumo altamente portátiles y también se puede utilizar en aplicaciones de imágenes especializadas como la microscopía".
En la revista Optics Letters , los investigadores describen cómo utilizaron un tipo de aprendizaje automático conocido como red neuronal convolucional de múltiples escalas para mejorar la resolución, el contraste y la distorsión de las imágenes de una cámara pequeña (aproximadamente 3 cm × 3 cm × 0,5 cm) que crearon integrando directamente un metalente en un chip de imágenes CMOS.
"Las cámaras integradas con lentes metálicos se pueden incorporar directamente a los módulos de imágenes de los teléfonos inteligentes, donde podrían reemplazar las lentes refractivas tradicionales", dijo Chen. "También podrían usarse en dispositivos como drones, donde el tamaño pequeño y la cámara liviana garantizarían la calidad de la imagen sin comprometer la movilidad del drone".
La cámara utilizada en el nuevo trabajo fue desarrollada previamente por los investigadores y utiliza una lente metálica con nanopostes cilíndricos de nitruro de silicio de 1000 nm de altura. La lente metálica enfoca la luz directamente en un sensor de imágenes CMOS sin requerir ningún otro elemento óptico.
Aunque este diseño creó una cámara muy pequeña, la arquitectura compacta limitó la calidad de la imagen. Por ello, los investigadores decidieron ver si se podía utilizar el aprendizaje automático para mejorar las imágenes.
El aprendizaje profundo es un tipo de aprendizaje automático que utiliza redes neuronales artificiales con múltiples capas para aprender automáticamente características de los datos y tomar decisiones o predicciones complejas. Los investigadores aplicaron este enfoque utilizando un modelo de imágenes convolucional para generar una gran cantidad de pares de imágenes de alta y baja calidad. Estos pares de imágenes se utilizaron para entrenar una red neuronal convolucional de múltiples escalas para que pudiera reconocer las características de cada tipo de imagen y usarlas para convertir imágenes de baja calidad en imágenes de alta calidad.
"Una parte clave de este trabajo fue desarrollar una forma de generar la gran cantidad de datos de entrenamiento necesarios para el proceso de aprendizaje de la red neuronal", dijo Chen. "Una vez entrenada, se puede enviar una imagen de baja calidad desde el dispositivo a la red neuronal para su procesamiento, y se obtienen resultados de imágenes de alta calidad inmediatamente".