近日，東南大學信息學院陳績、張在琛教授團隊在超構透鏡智能成像方向取得重要進展：提出了一種由三片單層超構透鏡構成的平面陣列式廣角成像元件，成像視角覆蓋超過120°。針對平面廣角相機長期困擾的大視角成像強度衰減，以及低照度等極端條件下成像質量劣化等問題，團隊同步推出智能強度均衡算法MetaLight Enhance。通過像素級局部曲線映射與深度卷積網絡聯合優化，實現全視場亮度自適應均衡與暗部細節恢復，在提升相機本身成像質量的同時極端光照場景的可用性。該研究成果展現出在未來無線光通信、智能感知和自適應視覺系統等領域的巨大潛力，可為高速通信鏈路、無人系統環境感知及全天候視覺探測提供輕量化、高性能的成像解決方案。相關成果以“Compact meta-camera for intelligent wide-angle and low-light imaging”為題，光學領域國際知名期刊《Laser & Photonics Reviews》。東南大學和紫金山實驗室分別為論文的第一、第二完成單位。
廣角成像技術通過獲取更大視場（FOV）的圖像，能夠在多種應用場景中實現對環境信息的全面感知。然而，傳統的廣角鏡頭通常由多片折射元件構成，體積龐大、重量較重，難以集成到輕量化或便攜式成像系統中。近年來，隨著超構表面（metasurface）技術的興起，研究者提出了基于超構透鏡的平面化廣角成像方案。這類透鏡具有超薄、超輕、可高度集成等優勢，為智能手機、無人機以及其他小型視覺設備中的廣角探測系統提供了全新的設計思路。
盡管超構透鏡在廣角成像領域展現出巨大潛力，但其平面結構導致在大入射角下有效光投影面積急劇減小，從而造成大視角成像強度衰減和畫質下降的問題。相比之下，傳統廣角魚眼鏡頭雖然能通過強曲率透鏡結構實現對大角度光線的捕獲，提升邊緣光強，但結構復雜且不利于系統小型化與集成化。因此，在保持高集成度與平面化結構的同時，如何有效緩解大角度下的光強衰減，成為實現高質量廣角成像的關鍵技術難題。
此外，在夜間或復雜光照條件下，廣角成像還面臨強度分布極不均勻的挑戰。當相機曝光針對高亮區域調整時，暗部細節往往丟失；而提升暗區亮度又會導致高亮區域過曝，嚴重影響整體成像效果與目標識別性能。因此，開發一種能夠在大角度條件下維持高成像效率、并在多變光照環境中實現強度自適應調節的高集成相機，對于推動便攜式視覺探測、無人系統環境感知以及無線光通信中的寬視場監測等前沿應用具有重要的科學意義和工程價值。
（1）廣角超構透鏡陣列設計
圖1. 超構透鏡陣列的廣角成像設計策略。(a) 超構透鏡陣列的工作原理。三個超構透鏡分別負責不同視角范圍的成像。插圖展示了中心視場超構透鏡和一側視場超構透鏡的相位分布（另一側的相位分布與之對稱）。(b) 高集成廣角成像相機。(c) 三枚超構透鏡分別獲得的三個子圖像。(d) 通過拼接三張子圖像得到的完整廣角成像結果。
本工作提出了一種基于平面超構透鏡陣列的廣角成像系統，結合智能算法，可在多種光照條件下實現高質量的廣角成像。其中超表面的設計借鑒了研究人員在2022年所發展的廣角超構透鏡陣列設計思想（Ji Chen et al. “Planar wide-angle-imaging cameraenabled by metalens array.” Optica 9, 431 (2022)，榮獲2022年度中國光學十大進展），極大減少了陣列中超構透鏡數量，通過光線追跡優化有效提升每片超構透鏡的成像質量。如圖1a所示，陣列由三個超構透鏡組成，分別負責成像視場角為-60°至-20°、-20°至20°和20°至60°的不同角度區域。三個透鏡沿水平方向排列，以避免相互之間的成像串擾。圖1b展示了廣角成像實驗的裝置結構，其中不同入射角的點光源被投射到超構透鏡陣列上，用于驗證其在多角度入射下的成像性能。三片透鏡分別成像得到的子圖如圖1c所示，經過畸變校正，拼接后獲得完整的 120°視場成像結果（見圖1d），其視場范圍較傳統超構透鏡擴大了數倍。超構透鏡陣列與CMOS傳感器直接集成，實現了高緊湊的平面廣角相機。
（2）深度學習智能處理算法
圖2. MetaLight Enhance算法的工作原理與網絡結構
本研究提出的 MetaLight Enhance 算法旨在解決廣角超構透鏡成像中由于大入射角能量衰減和夜間低照導致的亮度不均問題，其核心思想如圖2所示。該算法基于像素級的亮度自適應映射機制，通過引入高階曲線的非線性增強模型，對每個像素的亮度分布進行分動態調整。為進一步提升成像細節保真度和全局一致性，算法結合深度卷積網絡（圖2b、圖2c）進行參數預測與優化，使不同區域能夠根據場景照度自適應地調整增益系數，從而實現暗部細節恢復與亮部過曝抑制。
（3）正常光照環境下實現大角度強度恢復與整體亮度均衡
圖3. 正常光照場景下的廣角成像與智能亮度平衡結果。(a) 原始廣角圖像；(b) 超構透鏡陣列直接成像結果；(c) 經 MetaLight Enhance 算法處理后的亮度平衡結果；(d) 灰度值累積分布函數；(e) 原始圖像與超構透鏡成像的灰度直方圖；(f) 原始圖像與增強圖像的灰度直方圖。
在正常照明條件下，MetaLight Enhance 算法在廣角成像的大入射角亮度衰減補償方面表現出顯著效果。如圖3a所示的實驗場景中，廣角超構透鏡陣列采集的原始圖像（圖3b）在邊緣區域亮度明顯降低，其灰度直方圖（圖3e）集中于低灰度區，分布與原始場景差異較大。經過 MetaLight Enhance 處理后（圖3c），圖像亮度分布更加均衡，細節與對比度顯著提升。灰度直方圖（圖3f）顯示增強后圖像的灰度范圍明顯拓寬，分布更接近原始圖像?；叶壤鄯e分布函數（CDF）對比結果（圖3d）進一步表明，增強后圖像的亮度分布更加合理，實現了大視場范圍內的整體亮度平衡與成像質量提升。
（4）極端光照環境下實現高質量成像與高精度目標識別
圖4. 極端光照場景下的低照增強與亮度平衡結果。(a) 極端場景成像；(b) 基于二次初始曲線的增強結果；(c) 基于三次初始曲線的增強結果；(d) 不同參數α下二次與三次映射曲線對比；(e) YOLO 神經網絡在原始極端場景下的檢測結果；(f) 提高曝光后的檢測結果；(g) 經 MetaLight Enhance 算法優化后的檢測結果。
在夜間及強光不均的極端光照條件下，MetaLight Enhance算法展現出優異的成像增強能力。如圖4a所示，未經處理的廣角超構透鏡陣列圖像在亮暗區域間存在明顯的亮度差異。研究對比了算法中采用二次與三次初始曲線的處理效果（圖4b、圖4c），結果表明，在相同參數與迭代次數下，三次曲線方案在細節保留與過曝抑制方面表現更佳。其映射曲線與亮度分布分析（圖4d）進一步驗證了這一改進。
MetaLight Enhance算法在極端環境下的另一重要優勢體現在目標檢測能力上?；?YOLO 神經網絡的檢測結果顯示（圖4e–g），原始夜間圖像僅能識別亮區的車輛與行人，簡單提高曝光后則出現嚴重過曝與噪聲積累，導致暗區目標仍無法識別。而經 MetaLight Enhance算法處理后，亮區與暗區的目標均可被準確檢測。這些結果充分證明其在夜間和復雜光照場景下同時實現亮度平衡與目標識別的綜合優勢。
綜上，本研究構建了一種基于單層超構透鏡陣列的平面化廣角成像系統，兼具高集成度與優異成像性能。該設計避免了多層結構的錯位誤差，顯著減薄系統厚度，并提高了光學效率。通過與智能亮度平衡算法 MetaLight Enhance結合，系統實現了120°水平視場的高質量成像，同時具備在低照與復雜光照環境下的自適應增強能力。未來，可通過增加垂直傾斜透鏡或引入深度成像功能，進一步拓展至二維廣角及三維視覺探測領域，為智能成像、無人系統和光通信等方向提供新型解決方案。
