EigenCWD：一种用于单超透镜成像的空间变化去卷积算法
光学
2025-02-07 v1 计算物理
摘要
通过使用二维超透镜实现光学系统的小型化，已在成像领域催生了新颖的应用。迄今为止，单透镜成像仍是最常见的配置，部分原因是超透镜的聚焦效率有限。这导致了波前操控方面的限制，从而在形成的图像中产生不可避免的像差，需要计算去卷积来对图像进行去模糊处理。对于某些透镜轮廓，例如产生最高效率的最常见双曲轮廓，在大视场下，彗差或像散等空间变化像差非常突出。这些像差无法通过传统的去卷积方法（如维纳滤波）进行校正。在此，我们开发了一种基于特征值列分解(eigenCWD)的空间变化去卷积算法。EigenCWD通过一个近似的正向模糊模型，求解测量图像与待重建物体的估计图像之间误差的最小化问题。该近似正向模型利用空间变化点扩散函数的特征分解进行快速计算，从而能够高效地扩展到金属透镜成像中常见的更大图像尺寸和模糊核。我们展示了eigenCWD校正各种透镜轮廓的空间变化模糊和畸变的能力，其性能超越了维纳滤波器。
引用
@article{arxiv.2502.03790,
title = {EigenCWD: a spatially-varying deconvolution algorithm for single metalens imaging},
author = {Joel Yeo and Duane Loh and Ramon Paniagua-Dominguez and Arseniy I. Kuznetsov},
journal= {arXiv preprint arXiv:2502.03790},
year = {2025}
}