超表面赋能智能成像：从光学设计到智能信息处理的系统级框架

《Optics and Lasers in Engineering》：Metasurface-enabled imaging: From optical design to intelligent information processing

　　

超表面赋能成像（metasurface-enabled imaging）正逐步确立为一种系统级框架，将超表面光学（metasurface optics）、计算成像（computational imaging）与智能信息处理（intelligent information processing）相融合。本综述系统梳理了金属透镜（metalens）、编码孔径（coded-aperture）、无透镜（lensless）及混合成像架构，并深入考察了逆向设计（inverse design）、光学编码（optical encoding）、压缩感知（compressive sensing）与基于深度学习的重建（deep-learning reconstruction）等关键技术。研究强调，硬件与算法的协同设计（hardware–algorithm co-design）是实现紧凑、自适应及任务特异性成像系统的核心路径。本综述将超表面赋能成像视为一条纵向管道（vertical pipeline），涵盖从电磁仿真（electromagnetic simulation）与逆向设计，经CMOS兼容制造（CMOS-compatible fabrication），到多模态感知（multi-modal sensing）与片上部署（on-chip deployment）的完整环节，并在每一阶段实现光学硬件与计算智能的联合优化。该框架为下一代紧凑型、自适应及智能光学信息处理系统提供了统一的设计范式。

一、研究背景与问题提出

成像技术长期以来是将物理现象转化为可测量信息的主要手段，构成显微镜、遥感与生物医学诊断等领域的技术基础。传统成像系统依赖一系列折射或衍射光学元件，通过光传播过程中的逐步相位累积来塑造波前。尽管这些方法经过数十年发展已能提供优异性能，但其在尺寸、重量与集成能力方面存在固有局限。随着成像应用日益向便携式、嵌入式及多功能平台发展，这些限制愈发突出，尤其是当需要增加光谱或偏振等额外传感模态时。

超表面（metasurface）提供了一条根本不同的光控路径，其基于亚波长结构（subwavelength structures）的平面阵列，可在与波长相比可忽略的厚度内施加空间变化的相位、振幅与偏振变换。早期超表面成像演示大多集中于用平面元件替代传统光学元件，在缩小体积的同时复现熟悉的成像功能。然而，超表面的能力远超简单的波前整形——其亚波长控制能力使得将光学信息编码为结构化场（structured fields）成为可能，这种编码在探测器层面无法直接解读。这引入了光学系统角色的转变：从直接成像转变为生成包含所需信息的编码测量。恢复该信息需要计算处理，将光学前端与算法重建相连接。这种光学编码与数字重建之间的相互作用，构成了日益被称为"元成像"（meta imaging）的基础。

该综述的开展动机在于：尽管已有若干综述涉及该领域的相邻方面，如计算成像管线、超表面计算成像技术分类、金属透镜制造工艺以及AI驱动设计方法等，但尚无工作将超表面赋能成像作为从电磁仿真、逆向设计、CMOS兼容制造到多模态感知与片上部署的纵向管道进行系统整合，并在每一阶段实现光学硬件与计算智能的联合优化。本综述旨在填补这一空白。

二、研究内容与核心贡献

研究人员建立了一个系统级框架，将超表面赋能成像视为一条垂直管道，涵盖五个互补维度：光学架构（optical architecture）、计算重建（computational reconstruction）、成像模态（imaging modality）、设计方法（design methodology）与系统集成水平（system-integration level）。该框架的核心组织原则是：超表面光学硬件与计算智能在每一阶段均被联合优化，以实现超越传统成像架构能力的功能。

三、关键技术方法

研究人员主要采用了以下关键技术方法：数值电磁仿真方法，包括时域有限差分法（FDTD）、有限元法（FEM）与严格耦合波分析（RCWA），用于预测超表面电磁响应；逆向设计方法，包括伴随优化（adjoint optimization）与拓扑优化（topology optimization），用于直接驱动电磁目标优化；AI辅助设计方法，包括代理神经网络（surrogate neural networks）、串联网络（tandem networks）、生成架构（generative architectures）与端到端协同设计（end-to-end co-design）；以及CMOS兼容制造工艺，包括电子束光刻（EBL）、深紫外步进光刻（DUV）与纳米压印光刻（NIL）等。文献检索覆盖2015至2025年发表物，通过Web of Science、Scopus与Google Scholar，使用"metasurface imaging"、"metalens computational imaging"、"intelligent metasurface"等关键词组合。

四、主要研究结果

4.1 超表面成像架构

综述将超表面赋能成像架构分为三类范式：金属透镜成像系统（metalens-based imaging systems）保留直接成像功能于平面形态；编码或孔径工程超表面系统（coded/aperture-engineered systems）将场景信息有意编码为结构化测量；无透镜与混合配置（lensless and hybrid configurations）主要依赖非成像光学变换的计算重建。以Colburn等人的工作为例，研究人员展示了基于氮化硅纳米柱（silicon nitride nanoposts）的金属透镜设计，通过改变纳米柱直径实现全2π相位覆盖。该研究明确展示了单元素金属透镜的固有色彩限制——传统单透镜表现出显著色差焦移，仅设计波长能锐利聚焦。为克服此限制，研究人员引入三次相位项扩展焦深，产生光谱不变的扩展点扩散函数（point spread function），使多个波长在像面重叠，随后通过单一数字滤波器进行计算去卷积实现全彩成像。实验结果证明可见光谱聚焦效率超过50%，表明结合计算重建的单一金属透镜可实现高质量白光全彩成像。

4.2 计算超表面成像框架

综述聚焦于光学编码机制、逆重建算法、压缩感知方法与基于深度学习的图像恢复方法。光学编码与数字重建的紧密耦合要求两者协同设计以实现最优性能。深度学习重建方法在图像恢复任务中展现出显著优势，而物理信息混合重建（physics-informed hybrid reconstruction）方法则结合了模型先验与数据驱动学习的优势。

4.3 智能成像功能

超表面使能的智能成像功能包括深度感知（depth sensing）、高光谱成像（hyperspectral imaging）、偏振敏感成像（polarization-sensitive imaging）与任务特异性光学信息处理。这些功能通过物理编码原理及其计算解码需求的系统级整合实现，而非孤立的应用程序演示。

4.4 片上集成与新兴方向

综述讨论了迈向完全集成片上超表面成像系统的方向，包括生物医学生物传感平台与光纤超表面尖端（optical fibre meta-tips）。新兴应用领域包括非线性超表面的量子成像（quantum imaging）与AR/VR全息组合器（holographic combiners），同时讨论了已商业部署的超表面器件以验证制造就绪性论证。

五、讨论与结论

综述指出，超表面赋能成像领域仍面临若干科学与工程挑战，涉及可扩展性、制造、计算复杂度与实际部署等方面。制造方面，研究级光学性能（通常以EBL/TiO₂实现）与CMOS原生制造（限于Si/SiN与DUV分辨率）之间的差距仍是智能片上超表面成像系统的核心工程挑战。计算方面，端到端协同设计的主要局限在于前向模型的保真度——多数实现依赖标量衍射或相位屏近似，忽略了高数值孔径下显著的偏振耦合与近场单元间相互作用。经济可行性应从系统总成本而非超表面制造成本单独评估。

研究结论部分总结指出，超表面赋能成像正成为紧凑、自适应与智能光学信息处理的新范式。通过光学、计算与人工智能的融合，超表面工程、计算成像与系统级光子集成的进展日益在高度互联的设计生态中运行。该综述建立的系统级框架，将CMOS兼容性作为一级设计约束、将多模态感知作为系统级整合单元、明确覆盖片上与芯片实验室集成，并纳入新兴应用领域，为下一代实用、自适应与智能超表面赋能成像技术的发展提供了统一视角。这些技术可能定义未来几代紧凑光学系统的形态。