• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  Science >> Ciencia >  >> Física
    Los investigadores utilizan IA para mejorar la calidad de la imagen de la cámara con lente metálica
    Los investigadores utilizaron técnicas de aprendizaje profundo para mejorar la calidad de imagen de una cámara con una lente metálica integrada directamente en un chip de imágenes CMOS (izquierda). La lente metálica manipula la luz utilizando una serie de nanopostes cilíndricos de nitruro de silicio de 1000 nm de altura (derecha). Crédito:Ji Chen, Universidad del Sureste

    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".

    Mejora de la calidad de la imagen

    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".

    Las imágenes muestran una comparación de datos reales, imágenes de baja calidad y resultados de redes neuronales para cuatro imágenes de prueba. La primera fila representa los resultados de la simulación y la segunda fila representa los resultados experimentales. Los cuadros azul, rojo y amarillo muestran primeros planos de los detalles de las imágenes. Crédito:Ji Chen, Universidad del Sureste

    Aplicando la red neuronal

    Para validar la nueva técnica de aprendizaje profundo, los investigadores la utilizaron en 100 imágenes de prueba. Analizaron dos métricas de procesamiento de imágenes comúnmente utilizadas:la relación señal-ruido máxima y el índice de similitud estructural.

    Descubrieron que las imágenes procesadas por la red neuronal mostraban una mejora significativa en ambas métricas. También demostraron que el enfoque podría generar rápidamente datos de imágenes de alta calidad que se parecían mucho a los capturados directamente mediante la experimentación.

    Los investigadores ahora están diseñando metalenses con funcionalidades complejas, como imágenes en color o de gran angular, y desarrollando métodos de redes neuronales para mejorar la calidad de las imágenes de estos metalenses avanzados. Para que esta tecnología sea práctica para aplicaciones comerciales se requerirían nuevas técnicas de ensamblaje para integrar lentes metálicos en módulos de imágenes de teléfonos inteligentes y software de mejora de la calidad de imagen diseñado específicamente para teléfonos móviles.

    "Las metalentes ultraligeras y ultrafinas representan una tecnología revolucionaria para la obtención de imágenes y detección en el futuro", afirmó Chen. "Aprovechar las técnicas de aprendizaje profundo para optimizar el rendimiento de los metales marca una trayectoria de desarrollo fundamental. Prevemos que el aprendizaje automático será una tendencia vital en el avance de la investigación en fotónica".




    © Ciencia https://es.scienceaq.com