通过任务驱动和深度学习的简单光学，我们证明了通过训练好的神经网络模型为监督依据的任务驱动镜头设计方法不仅能够从零开始设计镜头，还能提高图像分类的准确性，维持对各种网络模型的兼容性，并优化成本以及物理尺寸的约束。

May, 2023

从光学设计的角度出发，本文对分离的像差进行表征，提出图像仿真系统以重新产生具有大视场的镜头的真实成像过程，通过感知和纠正空间变化的像差来校正分离的像差，实现了消费级移动电话镜头模块总轨迹长度的 10% 减小，并为制造偏差提供了更多的空间，实现了计算摄影的极致质量提升，为复杂光学系统和后期处理算法的实际联合设计提供了创新见解。

Sep, 2023

本研究提出一种神经镜头模型 ——NeuroLens，通过神经网络对失真和暗角进行建模并进行优化，可用于预捕捉校准、重新校准，同时可集成到现有的三维重建和渲染系统中，并在比起标准配套和最新方法时表现更好。

Apr, 2023

本研究提出了一个基于模型的优化框架，用于从加工样本的空间频率响应中构建代理相机，进而为训练基于学习的算法提供光学畸变和随机制造偏差的合成数据对，并利用超扩张全方位动态卷积来纠正制造降解，从而实现全面的计算摄影。

May, 2023

我们提出了一种基于镜头、参数化映射和反向导数范畴的机器学习算法的分类语义学。这一基础提供了一个强大的解释性和统一性框架：它包括了各种梯度下降算法，如 ADAM、AdaGrad 和 Nesterov 动量，以及各种损失函数，如 MSE 和 Softmax 交叉熵，以及不同的架构，揭示了它们的相似性和差异。此外，我们的学习方法超越了熟悉的连续领域的示例（在光滑映射范畴中建模），并且可以应用于布尔电路和多项式电路的离散环境。我们通过 Python 实现展示了我们框架的实际意义。

Mar, 2024

在这项研究中，我们提出了一个新的混合光线追踪和波传播模型，用于准确模拟光学像差和衍射相位调制，该模型完全可微分，实现了折射 - 衍射透镜优化和图像重建网络的端到端共同设计，实验结果验证了该模型的准确性，并展示了在像差校正和扩展景深成像方面的显著改进。

Jun, 2024

通过全局搜索光学（GSO）方法，我们提出了高级紧凑计算成像系统的自动设计范例，该方法结合了自动光学设计和图像重建网络的并行优化，综合考虑了物理约束条件以及设计规范，实现了全局优化的结构搜索能力，并为传统方法提供了更高的成像质量。

Apr, 2024

通过神经网络的学习算法，本文设计了一种新颖的元表面结构，并结合新型的基于神经元特征的图像重建算法，在全彩超小场景，完成首个高质量的纳米光学成像装置，同时实现最宽的视野和最大的 0.5mm，f/2 光圈。

Feb, 2021

通过 OpticsBench 和 OpticsAugment 的实验证明了使用实际光学模糊效果进行数据增强可以提高深度神经网络的鲁棒性，这在计算机视觉中具有重要意义。

Aug, 2023

LENS 是一种模块化的方法，针对计算机视觉问题，利用大型语言模型进行推理，可以应用于零 / 少样本对象识别，以及视觉和语言问题。

Jun, 2023