近日，东南大学信息学院陈绩、张在琛教授团队在超构透镜智能成像方向取得重要进展：提出了一种由三片单层超构透镜构成的平面阵列式广角成像元件，成像视角覆盖超过120°。针对平面广角相机长期困扰的大视角成像强度衰减，以及低照度等极端条件下成像质量劣化等问题，团队同步推出智能强度均衡算法MetaLight Enhance。通过像素级局部曲线映射与深度卷积网络联合优化，实现全视场亮度自适应均衡与暗部细节恢复，在提升相机本身成像质量的同时极端光照场景的可用性。该研究成果展现出在未来无线光通信、智能感知和自适应视觉系统等领域的巨大潜力，可为高速通信链路、无人系统环境感知及全天候视觉探测提供轻量化、高性能的成像解决方案。相关成果以“Compact meta-camera for intelligent wide-angle and low-light imaging”为题，光学领域国际知名期刊《Laser & Photonics Reviews》。东南大学和紫金山实验室分别为论文的第一、第二完成单位。
广角成像技术通过获取更大视场（FOV）的图像，能够在多种应用场景中实现对环境信息的全面感知。然而，传统的广角镜头通常由多片折射元件构成，体积庞大、重量较重，难以集成到轻量化或便携式成像系统中。近年来，随着超构表面（metasurface）技术的兴起，研究者提出了基于超构透镜的平面化广角成像方案。这类透镜具有超薄、超轻、可高度集成等优势，为智能手机、无人机以及其他小型视觉设备中的广角探测系统提供了全新的设计思路。
尽管超构透镜在广角成像领域展现出巨大潜力，但其平面结构导致在大入射角下有效光投影面积急剧减小，从而造成大视角成像强度衰减和画质下降的问题。相比之下，传统广角鱼眼镜头虽然能通过强曲率透镜结构实现对大角度光线的捕获，提升边缘光强，但结构复杂且不利于系统小型化与集成化。因此，在保持高集成度与平面化结构的同时，如何有效缓解大角度下的光强衰减，成为实现高质量广角成像的关键技术难题。
此外，在夜间或复杂光照条件下，广角成像还面临强度分布极不均匀的挑战。当相机曝光针对高亮区域调整时，暗部细节往往丢失；而提升暗区亮度又会导致高亮区域过曝，严重影响整体成像效果与目标识别性能。因此，开发一种能够在大角度条件下维持高成像效率、并在多变光照环境中实现强度自适应调节的高集成相机，对于推动便携式视觉探测、无人系统环境感知以及无线光通信中的宽视场监测等前沿应用具有重要的科学意义和工程价值。
（1）广角超构透镜阵列设计
图1. 超构透镜阵列的广角成像设计策略。(a) 超构透镜阵列的工作原理。三个超构透镜分别负责不同视角范围的成像。插图展示了中心视场超构透镜和一侧视场超构透镜的相位分布（另一侧的相位分布与之对称）。(b) 高集成广角成像相机。(c) 三枚超构透镜分别获得的三个子图像。(d) 通过拼接三张子图像得到的完整广角成像结果。
本工作提出了一种基于平面超构透镜阵列的广角成像系统，结合智能算法，可在多种光照条件下实现高质量的广角成像。其中超表面的设计借鉴了研究人员在2022年所发展的广角超构透镜阵列设计思想（Ji Chen et al. “Planar wide-angle-imaging cameraenabled by metalens array.” Optica 9, 431 (2022)，荣获2022年度中国光学十大进展），极大减少了阵列中超构透镜数量，通过光线追迹优化有效提升每片超构透镜的成像质量。如图1a所示，阵列由三个超构透镜组成，分别负责成像视场角为-60°至-20°、-20°至20°和20°至60°的不同角度区域。三个透镜沿水平方向排列，以避免相互之间的成像串扰。图1b展示了广角成像实验的装置结构，其中不同入射角的点光源被投射到超构透镜阵列上，用于验证其在多角度入射下的成像性能。三片透镜分别成像得到的子图如图1c所示，经过畸变校正，拼接后获得完整的 120°视场成像结果（见图1d），其视场范围较传统超构透镜扩大了数倍。超构透镜阵列与CMOS传感器直接集成，实现了高紧凑的平面广角相机。
（2）深度学习智能处理算法
图2. MetaLight Enhance算法的工作原理与网络结构
本研究提出的 MetaLight Enhance 算法旨在解决广角超构透镜成像中由于大入射角能量衰减和夜间低照导致的亮度不均问题，其核心思想如图2所示。该算法基于像素级的亮度自适应映射机制，通过引入高阶曲线的非线性增强模型，对每个像素的亮度分布进行分动态调整。为进一步提升成像细节保真度和全局一致性，算法结合深度卷积网络（图2b、图2c）进行参数预测与优化，使不同区域能够根据场景照度自适应地调整增益系数，从而实现暗部细节恢复与亮部过曝抑制。
（3）正常光照环境下实现大角度强度恢复与整体亮度均衡
图3. 正常光照场景下的广角成像与智能亮度平衡结果。(a) 原始广角图像；(b) 超构透镜阵列直接成像结果；(c) 经 MetaLight Enhance 算法处理后的亮度平衡结果；(d) 灰度值累积分布函数；(e) 原始图像与超构透镜成像的灰度直方图；(f) 原始图像与增强图像的灰度直方图。
在正常照明条件下，MetaLight Enhance 算法在广角成像的大入射角亮度衰减补偿方面表现出显著效果。如图3a所示的实验场景中，广角超构透镜阵列采集的原始图像（图3b）在边缘区域亮度明显降低，其灰度直方图（图3e）集中于低灰度区，分布与原始场景差异较大。经过 MetaLight Enhance 处理后（图3c），图像亮度分布更加均衡，细节与对比度显著提升。灰度直方图（图3f）显示增强后图像的灰度范围明显拓宽，分布更接近原始图像。灰度累积分布函数（CDF）对比结果（图3d）进一步表明，增强后图像的亮度分布更加合理，实现了大视场范围内的整体亮度平衡与成像质量提升。
（4）极端光照环境下实现高质量成像与高精度目标识别
图4. 极端光照场景下的低照增强与亮度平衡结果。(a) 极端场景成像；(b) 基于二次初始曲线的增强结果；(c) 基于三次初始曲线的增强结果；(d) 不同参数α下二次与三次映射曲线对比；(e) YOLO 神经网络在原始极端场景下的检测结果；(f) 提高曝光后的检测结果；(g) 经 MetaLight Enhance 算法优化后的检测结果。
在夜间及强光不均的极端光照条件下，MetaLight Enhance 算法展现出优异的成像增强能力。如图4a所示，未经处理的广角超构透镜阵列图像在亮暗区域间存在明显的亮度差异。研究对比了算法中采用二次与三次初始曲线的处理效果（图4b、图4c），结果表明，在相同参数与迭代次数下，三次曲线方案在细节保留与过曝抑制方面表现更佳。其映射曲线与亮度分布分析（图4d）进一步验证了这一改进。
MetaLight Enhance算法在极端环境下的另一重要优势体现在目标检测能力上。基于 YOLO 神经网络的检测结果显示（图4e–g），原始夜间图像仅能识别亮区的车辆与行人，简单提高曝光后则出现严重过曝与噪声积累，导致暗区目标仍无法识别。而经 MetaLight Enhance 算法处理后，亮区与暗区的目标均可被准确检测。这些结果充分证明其在夜间和复杂光照场景下同时实现亮度平衡与目标识别的综合优势。
本研究构建了一种基于单层超构透镜阵列的平面化广角成像系统，兼具高集成度与优异成像性能。该设计避免了多层结构的错位误差，显著减薄系统厚度，并提高了光学效率。通过与智能亮度平衡算法 MetaLight Enhance 结合，系统实现了120°水平视场的高质量成像，同时具备在低照与复杂光照环境下的自适应增强能力。未来，可通过增加垂直倾斜透镜或引入深度成像功能，进一步拓展至二维广角及三维视觉探测领域，为智能成像、无人系统和光通信等方向提供新型解决方案。
东南大学研究生蒿呈垚和吴悦为论文的共同第一作者，张在琛教授和陈绩研究员为论文的共同通讯作者，紫金山实验室王寅工程师等对工作提供了重要技术支持。该工作由国家高层次人才特殊支持计划、国家自然科学基金、江苏省自然科学基金、中国科协青托项目等资助完成。
通讯作者陈绩为国家级青年拔尖人才，东南大学研究员，博士生导师，紫金山实验室兼聘研究员；通讯作者张在琛为长江学者特聘教授，东南大学首席教授，博士生导师，中国电子学会会士，教育部电子信息类教学指导委员会委员、移动通信全国重点实验室副主任、教育部移动信息通信与安全前沿科学中心主任，紫金山实验室兼聘教授。
文章链接：
撰稿|课题组
