Erweiterte Schärfentiefe (XDOF) bedeutete früher, die Blende zu schließen und die Beugungsunschärfe in Kauf zu nehmen. Heute ersetzen Forschungsprototypen das Objektiv vollständig durch eine codierte Maske oder ein diffraktives Element und rekonstruieren rechnerisch scharfe Bilder über einen weit größeren Tiefenbereich. Dieser Wandel ist entscheidend, weil er die physische Blendengröße von der Tiefenleistung entkoppelt — und so dünnere, leichtere und günstigere Bildgebungssysteme für Mikroskopie, Robotik und eingebettete Vision ermöglicht.
Wie objektivlose Kameras eine Maske in erweiterten Fokus verwandeln
Eine objektivlose Kamera platziert eine codierte Amplituden- oder Phasenmaske direkt auf dem Sensor. Jeder Szenenpunkt breitet sich in ein bekanntes Muster aus — die Punktverbreitungsfunktion (PSF) —, die der Sensor als multiplexierte Messung aufzeichnet. Die Rekonstruktion löst ein inverses Problem, um die Szene wiederherzustellen. Bei herkömmlichen Masken ändert sich die PSF mit der Objektdistanz, sodass eine einzelne Kalibrierung nur für einen schmalen Tiefenausschnitt funktioniert. Radiale Masken umgehen dies: Ihre PSF skaliert radial, behält aber auf dem Sensor dieselbe Form bei, was sie tiefeninvariant macht. Forscher der Universität Osaka zeigten, dass eine optimierte radiale Maske diese Skalierungseigenschaft bewahrt und gleichzeitig das Frequenzverhalten verbessert, und validierten die erweiterte Schärfentiefe an einem Prototypenkamera über kontinuierliche und duale Tiefenszenen hinweg [3]. Das Ergebnis ist eine einzelne Aufnahme, die Objekte in weit unterschiedlichen Entfernungen ohne mechanischen Fokus rekonstruiert.
Warum die Form der PSF wichtiger ist als ihre Größe
Tiefeninvariante PSFs ermöglichen es einem System, mit einem einzigen räumlich-invarianten Kernel zu entblurren, anstatt eines tiefenabhängigen Satzes. Frühe Kameras mit diffusionscodierter Fotografie demonstrierten dieses Prinzip: Sie erweitern die Schärfentiefe, indem sie eine Maske entwerfen, deren PSF über verschiedene Tiefen hinweg ähnlich bleibt, und dekonvolvieren dann mit einem einzigen Kernel [1]. Die Rekonstruktionsqualität hängt von zwei Faktoren ab — der Größe der Modulationsübertragungsfunktion (MTF) und wie genau die tatsächlichen PSFs dem Design entsprechen. Wenn das PSF-Spektrum tiefe Nullstellen aufweist, zerstört die Rauschverstärkung während der Dekonvolution Details. Die Optimierung der Maske für eine flache, breite MTF bei Beibehaltung der radialen Symmetrie ist daher der zentrale ingenieurtechnische Kompromiss.
Snapshots fügen diffraktive Optik und Deep Learning hinzu
Mikroskopie erfordert Geschwindigkeit. Eine ScienceDirect-Publikation von 2025 integriert ein diffraktives optisches Element (DOE), um das optische Feld in einer einzigen Belichtung zu modulieren, und nutzt dann ein tiefes Netzwerk zur Verbesserung der Rekonstruktion [2]. Das DOE kodiert Tiefeninformationen in das aufgenommene Intensitätsmuster; das Netzwerk lernt, die kombinierte optisch-digitale Pipeline umzukehren. Dieser Snapshot-Ansatz vermeidet Multi-Frame-Fokus-Stacking, reduziert Bewegungsartefakte und den Photonenbedarf — entscheidend für Live-Zell-Bildgebung. Dasselbe Prinzip findet sich in einer 2026 veröffentlichten polarisationscodierten binären Phasenmaske, die sphärische Aberration und den Jones-Matrix-Formalismus nutzt, um die Schärfentiefe zu erweitern [6]. Polarisation fügt eine zweite Kodierungsdimension hinzu, was die Konditionierung des inversen Problems potenziell verbessert.
Rechenpipelines, die über Dekonvolution hinausgehen
Reine Dekonvolution setzt ein perfektes verschiebeinvariantes Modell voraus. Reale Systeme benötigen mehr. Eine Springer-Studie von 2023 fasst EDOF als gemeinsame Optimierung von Optik und Verarbeitung auf: CodeV für das Linsendesign, globale Selbstähnlichkeits-Priors zur Dunstreduktion, dunkelkanalgeführte Gradienten zur Kantenschärfung und gewichtete Graukanten-Methoden für Farbtreue [7]. Bei Benchmark-Metriken (PSNR, SSIM, RMSE) übertrifft diese kombinierte Pipeline die herkömmliche Dekonvolution allein. Die Lehre: Maskendesign, Kalibriergenauigkeit und aufgabenbezogene Priors tragen alle bei — keines dominiert isoliert.
Was das für Ihr nächstes Bildgebungsprojekt bedeutet
Wenn Sie eingebettete Vision-Module bauen, eliminiert objektivloses XDOF den Fokusaktuator und verringert die Bauhöhe in Z-Richtung — aber Sie zahlen mit Rechenaufwand (iterative Rekonstruktion oder neuronale Inferenz) und Kalibrieraufwand (Vermessen von PSFs über Tiefe und Wellenlänge). Für Mikroskopie erkauft Snapshot-DOE oder Polarisationscodierung Geschwindigkeit auf Kosten zusätzlicher optischer Fertigungskomplexität. Der Osaka-Radialmasken-Prototyp zeigt, dass eine gut optimierte Amplitudenmaske mit Standardlithografie gefertigt werden kann und dennoch kontinuierliche Tiefenabdeckung liefert [3]. Wählen Sie die Kodierungsstrategie — radiale Amplitude, diffraktive Phase, Polarisation — basierend auf Ihrem Fertigungszugang, Rechenbudget und ob Sie Video-Rate oder Einzelbildaufnahme benötigen. Das Feld konvergiert auf Co-Design: Maske, Kalibrierprotokoll und Rekonstruktionsalgorithmus müssen gemeinsam entwickelt werden.
Sources
- Extended Depth-of-Field Lensless Imaging - arXiv.org
- Diffusion coded photography for extended depth of field
- Snapshot extended depth-of-field microscopy via diffractive optical …
- Extended depth of focus using polarization-coded binary phase mask
- Extended depth of focus imaging using optics and image processing
- Extended Depth-of-Field Lensless Imaging Using an … - ResearchGate
- Super-resolution image projection over an extended depth of field using …
