智能视觉新突破：计算成像与光子计算的融合

视觉感知是人类获取外界信息的主要方式，占比超80%。但人类视觉受生物限制，而机器视觉可突破这些限制，获取光谱、偏振、深度等多维光学信息，在自动驾驶、消费电子等领域应用广泛。不过，传统视觉感知系统面临高性能、多功能、小型化和实时性的需求挑战，常规光学元件在 scalability、灵活性和集成度上存在局限。

为应对这些挑战，研究主要有两个方向：计算光学通过先进算法增强光学成像，但复杂场景下算法开销大、延迟高；光计算则将计算嵌入光学前端，利用光的并行性减少数字后处理，但存在非线性效率低、模拟精度有限等问题。二者分别受限于计算开销和光学元件的线性与刚性。

超构光学作为变革性平台，通过亚波长结构精确操控光的多参数，为解决上述矛盾提供了可能。它既能作为计算光学中的多维信息编码器，又能作为光计算中的多通道并行处理器，促进两者融合。早期超构光学在计算光学中依赖解析设计结构，近年转向光学与算法联合优化，提升系统性能；在光计算中，超构光学用于通用线性运算和光学神经网络，但缺乏固有非线性限制了其在复杂任务中的应用，因此混合光电架构成为趋势。

超构光学的核心是亚波长光与物质相互作用，可精确控制光的振幅、相位、偏振等，还能实现波前整形、色散工程等高级调控，并支持主动调谐、非线性响应等。其设计需结合物理先验驱动优化和数据驱动深度学习，以充分发挥潜力。

在计算光学领域，超构光学通过性能增强（如校正色差、扩大视场）、多信息处理（如深度、偏振、光谱成像）和系统简化（集成多种光学功能）重塑了该领域。在光计算领域，超构光学实现了光学模拟计算（如微分、卷积）和光学神经网络，虽面临非线性等挑战，但混合光电架构展现出潜力。

超构光学前端与电子后端的协同推动了计算光学与光计算的融合，通过软硬协同优化和混合光电集成，实现了更紧凑、高效的智能视觉系统。未来，芯片级智能视觉感知需克服多功能设计、高效重建、物理感知原位训练、动态可重构性、光学非线性、高精度规模化制造和紧凑集成等挑战。

总之，超构光学通过融合计算光学与光计算的优势，有望推动下一代智能视觉系统实现实时、紧凑、高能效，并能学习和适应环境，在消费电子、生物医学成像等领域有广泛应用前景。