Les chercheurs ont récemment utilisé des techniques d’apprentissage profond pour améliorer la qualité d’image d’une caméra à méta-lentille. Cette nouvelle approche, basée sur l’intelligence artificielle, transforme des images de faible qualité en images de haute qualité, rendant ces caméras viables pour de nombreuses tâches d’imagerie, y compris des applications microscopiques complexes et des dispositifs mobiles.
Les méta-lentilles : une technologie de pointe
Les méta-lentilles sont des dispositifs optiques ultrafins, souvent d’une épaisseur de seulement quelques millimètres, qui utilisent des nanostructures pour manipuler la lumière. Bien que leur petite taille puisse potentiellement permettre la création de caméras extrêmement compactes et légères sans lentilles optiques traditionnelles, il a été difficile d’obtenir la qualité d’image nécessaire avec ces composants optiques.
« Notre technologie permet à nos dispositifs basés sur des métalentilles de surmonter les limitations de la qualité d’image », a précisé Ji Chen, chef de l’équipe de recherche de l’Université du Sud-Est en Chine. « Cette avancée jouera un rôle important dans le développement futur de l’électronique d’imagerie grand public hautement portable et pourra également être utilisée dans des applications d’imagerie spécialisées telles que la microscopie. »
Amélioration de la qualité d’image
La caméra utilisée dans ce nouveau travail a été précédemment développée par les chercheurs et utilise une méta-lentille avec des nano-piliers en nitrure de silicium de 1000 nm de hauteur. La méta-lentille focalise la lumière directement sur un capteur d’image CMOS sans nécessiter d’autres éléments optiques. Bien que ce design ait permis de créer une caméra très petite, l’architecture compacte limitait la qualité de l’image. Les chercheurs ont donc décidé de voir si l’apprentissage automatique pouvait être utilisé pour améliorer les images.
L’apprentissage profond est un type d’apprentissage automatique qui utilise des réseaux de neurones artificiels avec plusieurs couches pour apprendre automatiquement des caractéristiques à partir de données et prendre des décisions ou des prédictions complexes.
Les chercheurs ont appliqué cette approche en utilisant un modèle d’imagerie par convolution pour générer un grand nombre de paires d’images de haute et de basse qualité. Ces paires d’images ont été utilisées pour entraîner un réseau de neurones convolutifs multi-échelles afin qu’il puisse reconnaître les caractéristiques de chaque type d’image et les utiliser pour transformer des images de faible qualité en images de haute qualité.
« Une partie clé de ce travail a été de développer un moyen de générer la grande quantité de données d’entraînement nécessaires pour le processus d’apprentissage du réseau de neurones », a ajouté Ji Chen. « Une fois entraînée, une image de faible qualité peut être envoyée depuis le dispositif vers le réseau de neurones pour traitement, et des résultats d’imagerie de haute qualité sont obtenus immédiatement. »
Application du réseau de neurones
Pour valider la nouvelle technique d’apprentissage profond, les chercheurs l’ont utilisée sur 100 images test. Ils ont analysé deux métriques de traitement d’image couramment utilisées : le rapport signal-bruit de crête et l’indice de similarité structurelle. Ils ont constaté que les images traitées par le réseau de neurones présentaient une amélioration significative dans les deux métriques. Ils ont également montré que l’approche pouvait générer rapidement des données d’imagerie de haute qualité qui ressemblaient étroitement à ce qui était capturé directement par l’expérimentation.
Les chercheurs conçoivent maintenant des méta-lentilles avec des fonctionnalités complexes, telles que l’imagerie en couleur ou grand angle, et développent des méthodes de réseau de neurones pour améliorer la qualité d’imagerie de ces méta-lentilles avancées. Pour rendre cette technologie pratique pour une application commerciale, de nouvelles techniques d’assemblage seraient nécessaires pour intégrer les méta-lentilles dans les modules d’imagerie des smartphones et des logiciels d’amélioration de la qualité d’image conçus spécifiquement pour les téléphones mobiles.
« Les métalentilles ultra-légères et ultra-fines représentent une technologie clé pour l’imagerie et la détection futures », a conclu Ji Chen. « Utiliser des techniques d’apprentissage profond pour optimiser les performances des méta-lentilles marque une trajectoire de développement essentielle. Nous prévoyons que l’apprentissage automatique sera une tendance vitale dans l’avancement de la recherche en photonique. »
Article : Y. Zhang, Y. Wu, C. Huang, Z.-W. Zhou, M. Li, Z. Zhang, J. Chen, « Deep-learning enhanced high-quality imaging in metalens-integrated camera, » Opt. Lett., Vol. 49, Issue 10, pp. 2853-2856 (2024). DOI : doi.org/10.1364/OL.521393
Légende illustration : Les chercheurs ont utilisé des techniques d’apprentissage profond pour améliorer la qualité de l’image d’une caméra dotée d’un métalens intégré directement à une puce d’imagerie CMOS (à gauche). Le métalens manipule la lumière à l’aide d’un réseau de nanopieux cylindriques en nitrure de silicium de 1000 nm de haut (à droite). Credit: Ji Chen, Southeast University
