宽带金属透镜在通用图像分类中的优势

光学神经网络（ONN）正越来越多地受到关注，以加速机器学习任务。特别是针对特定前处理任务设计的静态类光学编码器，相较于纯数字方案已显示出数个数量级的能耗优势，尽管在分类准确率上会有轻微下降。然而，静态类光学前端的缺乏通用性严重制约了其在广泛部署中的应用。本文考察了单层金属透镜作为 ONN 中类光学编码器的实用性，以实现通用图像分类。具体而言，我们表明可见光谱宽带金属透镜在分类准确率上可与高端受传感器限制的光学系统相当，并且在广泛的传感器像素尺寸和数字后端范围内持续优于相应的双曲面基线。我们进一步设计了一个用于 ImageNet 分类的单孔径金属表面，并观察到该优化倾向于在传感器可检测波段内均衡调制传递函数（MTF）。综上，这些观察表明保持空间频率信息是影响 ONN 性能的重要因素。我们的结果为任务驱动的光学优化提供了物理见解，并为设计高性能 ONN 和通用计算机视觉任务的类光学编码器提供了实际指导。