用于压缩感知成像的超表面端到端优化

我们提出了一种用于超表面成像系统端到端优化的框架，该系统利用压缩感知重建目标，压缩感知是一种在目标物体呈现稀疏性（即物体可由少量非零值描述，但这些值的位置未知）时求解欠定成像问题的技术。我们将一种迭代的、未近似的压缩感知重建算法嵌套进端到端优化流程中，从而得到一种可解释、数据高效的方法，以最大化利用元光学来开发物体稀疏性。我们将该框架应用于基于相变材料的超分辨率成像与高分辨率深度成像。在这两种情况下，我们的端到端框架在计算上发现了用于压缩感知恢复的最优超表面结构，自动平衡若干复杂设计考量，以从具有数百万维度的复杂、受物理约束的流形中选择成像测量矩阵。优化后的超表面成像系统对噪声具有鲁棒性，显著优于随机散射表面，并接近 Gaussian 矩阵的理想压缩感知性能，展示了物理超表面系统如何可明确接近压缩感知的数学极限。