一场关于如何"看见"的革命正在悄然发生。康涅狄格大学郑国安教授团队在《自然通讯》发表的最新研究显示,他们开发的多尺度孔径合成成像仪能够完全抛弃传统镜头,仅依靠多个简单传感器和计算算法就能实现亚微米级的高分辨率成像。这项名为MASI的技术不仅突破了光学衍射极限,更重要的是它证明了一个颠覆性观点:在成像领域,软件正在接管硬件曾经独霸的领地。传统光学成像的基本逻辑延续了数百年——用镜头将光线聚焦到传感器上形成图像。想要更高分辨率就得用更大更复杂的镜头,想要看清微观细节就得把物体凑到镜头跟前。这套规则在显微镜、望远镜、相机等所有传统光学仪器中通用,也构成了光学器件设计的核心约束。但MASI系统彻底绕过了这些限制,它的工作方式更像是让一群"盲人"各自触摸大象的不同部位,然后通过算法在脑海中重建出完整图像。
从天文观测到桌面显微的技术跨越
郑国安教授的实验室开发了一种新型图像传感器，无需透镜即可实现光学超分辨率成像。该设备的设计灵感源于拍摄首张黑洞照片的望远镜阵列，它利用多个传感器协同工作，通过计算融合观测数据，从而捕捉到更精细的细节。图片来源：康涅狄格大学MASI的灵感源自二零一九年轰动全球的黑洞照片。事件视界望远镜项目将分布在全球八个地点的射电望远镜联合起来,形成一个虚拟的地球大小望远镜,最终拍摄到人类史上第一张黑洞图像。这种合成孔径技术的核心思想是用多个小孔径组合模拟一个超大孔径,从而获得更高的分辨率。但这套方法在射电波段行得通,在可见光波段却遇到了巨大障碍。射电波的波长是米级甚至公里级,多个望远镜之间的时钟误差几毫米根本不算问题。可见光的波长只有几百纳米,传统方法要求多个光学传感器在纳米级精度上保持同步,这在物理上几乎不可能实现。任何微小的振动、温度变化或机械误差都会让系统失效。郑国安团队的突破在于"计算相位同步"策略。MASI系统让每个传感器完全独立工作,不要求它们在硬件上精确对齐或同步。每个传感器捕捉的不是普通照片,而是光波与物体相互作用后形成的衍射图样——一种包含了振幅和相位完整信息的原始数据。然后系统通过迭代算法在数字世界里调整这些数据之间的相对相位,就像乐队成员各自练习后通过指挥协调成一首和谐乐曲,最终在软件中构建出一个虚拟的超大孔径。这种设计哲学的转变意义深远。传统干涉仪要求极高的机械精度和稳定性,任何部件的微小移动都会导致测量失败。MASI把这些苛刻要求从硬件层面转移到软件层面,用算法的灵活性补偿硬件的不完美。实验结果证明这种策略确实有效——系统在距离目标物体数厘米的工作距离上,实现了亚微米级分辨率和厘米级视场范围的三维重建,这在传统光学系统中几乎不可能同时做到。
超越物理极限的代价与前景
MASI成像技术拍摄的弹壳图像。上图：捕获的复杂电场包含振幅（亮度）和相位（颜色）信息。下图：该数据能够以微米级分辨率进行三维重建，显示击针印痕——这一独特的标记可以将弹壳与特定枪支联系起来。图片来源：康涅狄格大学研究团队展示的一个应用案例是法医弹道分析。MASI系统拍摄的弹壳图像不仅清晰显示出撞针留下的微米级印痕,还重建出这些痕迹的三维形貌。这种独特标记可以将弹壳与特定枪支联系起来,对刑侦工作价值巨大。传统方法需要用高倍显微镜仔细观察,操作繁琐且受工作距离限制。MASI则可以在几厘米外快速完成扫描和三维重建,大幅提高效率。从技术细节看,MASI的每个传感器前放置了特定的编码掩模,用于调制入射光波。这些掩模的设计经过精心优化,确保不同传感器捕捉到的衍射图样包含互补的信息。系统首先对每个传感器的数据进行相位恢复,重建出复杂光场的振幅和相位分布。然后通过数值传播方法将这些波场传播回物平面。最关键的步骤是计算相位同步:算法迭代优化各个传感器数据的相对相位偏移,使组合后的波场在物平面上达到最大相干性。这个过程需要大量计算。研究论文显示,处理一组数据需要运行数百次迭代,每次迭代涉及复杂的傅里叶变换和优化运算。但随着GPU等并行计算硬件的发展,这些计算可以在秒级甚至毫秒级完成。更重要的是,一旦完成初始校准,后续成像可以使用相同的相位偏移参数,大大加快处理速度。可扩展性是MASI最吸引人的特性之一。传统光学系统如果想提升性能,往往需要制造更大更精密的镜头,成本呈指数级增长。一个直径一米的天文望远镜镜片可能价值数百万美元,而且制造周期以年计。MASI系统则可以通过增加传感器数量线性扩展——每增加一个传感器就多一份数据贡献,虚拟孔径随之增大,分辨率相应提升。单个传感器的成本相对低廉,这使得大规模部署成为可能。郑国安在接受采访时表示,他们设想未来可以建造房间大小甚至更大的传感器阵列,实现前所未有的成像能力。这种可扩展性在天文观测、遥感监测等需要超高分辨率的领域尤其有价值。理论上,一个分布在数公里范围的MASI阵列可以达到等效口径数公里的望远镜分辨率,而建造成本和技术难度远低于传统方案。当然新技术也面临挑战。无镜头成像领域的其他研究者指出,MASI对环境稳定性仍有一定要求,虽然不需要纳米级精度,但传感器之间的相对位置在成像过程中不能有太大变化。对于便携式应用或在振动环境下使用,可能需要额外的稳定装置或实时校准机制。此外,大规模传感器阵列的数据传输和存储也是工程挑战——每个传感器每秒产生的原始数据可达数GB,如何高效处理和融合这些海量数据需要进一步优化。业内专家对这项工作评价积极。光学学会的一位评论员指出,MASI代表了从"物理光学"向"计算光学"范式转变的最新里程碑。过去一个世纪,成像技术的进步主要依赖更好的透镜材料、更精密的机械加工和更先进的涂层工艺。现在,计算能力的爆炸式增长打开了新的可能性——我们可以用相对简单的硬件采集原始数据,然后通过算法挖掘出其中蕴含的全部信息。这种趋势在消费电子领域已经显现。智能手机相机的镜头硬件并不比十年前强多少,但照片质量却有质的飞跃,这主要归功于计算摄影技术——HDR合成、夜景模式、人像虚化等功能都是算法的贡献。MASI把这个理念推向了科学仪器领域,证明即使在要求最苛刻的高分辨率成像任务中,计算也能够替代或增强传统光学器件的功能。郑国安团队计划在未来几年将MASI技术推向实用化。他们正在与医疗设备公司探讨将该技术应用于病理切片分析和皮肤病诊断,与工业检测设备制造商讨论用于半导体晶圆检查和精密零件质量控制。研究团队也在开发更先进的版本,比如结合深度学习网络进行实时图像重建,或增加光谱分析能力以获取物体的化学成分信息。对于习惯了传统镜头成像的人来说,MASI的工作方式可能显得不可思议——没有清晰的光路,没有焦距调节,只有一堆看似杂乱的衍射图样和大量数学运算。但这正是新技术的魅力所在:它挑战我们对"成像"这个概念的固有认知,提醒我们"看见"不一定需要镜头,有时候只需要足够聪明的算法。