面向高光谱重构系统的深度学习优化液晶微透镜阵列设计

传统的液晶微透镜阵列（LC-MLA）设计方法大多采用顺序范式。该范式因设计值与实际值的偏差，难以逼近最优解，易导致LC-MLA的透过率偏低和光束聚焦能力不足，进而影响光谱重构的质量。为解决该问题，提出了一种基于深度学习的液晶器件反向设计网络（LCDE-IDN），用于优化高光谱重构系统中的LC-MLA。实验结果表明，相较于传统经验设计的LC-MLA，采用LCDE-IDN设计的LC-MLA的光强均匀性误差约为4.5%，透过率平均提升了3.1%，结果凸显了优化后的LC-MLA具有更高的透过率和增强的光束聚焦能力。高光谱重构系统的重构精度也得到较大幅度的提升，重构出的光谱图像的峰值信噪比平均提升了5.7%。