CIS|安森美微光近红外增强相机论文解析

引言

在之前的文章中,我们介绍了索尼、安森美以及三星等Sensor厂家在车载领域中的技术论文,分析了各个厂家不同的技术路线、Sensor架构以及差异点。今天,笔者借豪威科技在移动端200Mega Pixels产品的技术论文,讲解消费级CIS传感器的基本架构、工艺以及与车载应用不同之处。

本项工作开发了一种新的40/22nm堆叠式、像素尺寸为0.61µm、200兆像素CMOS图像传感器(CIS)。通过使用22nm逻辑晶圆工艺节点代替40nm完成数字逻辑部分,在保持相同时钟频率的同时,数字功耗降低了一半,同时全高清(FHD)帧速率从240fps提高到480fps。在这项工作中,我们展示了一种新的源极跟随器(SF)晶体管架构,与我们以前的0.7µm像素相比,SF跨导(Gm)高出63%。实现了5.0ke-的全阱容量(FWC),与0.7µm像素相比,具有更好的白像素(WP)性能。我们展示了0.61µm四元光电二极管(QPD)结构,该结构能够在可见光范围内实现与0.7µm QPD相当的量子效率(QE)性能。

在这里插入图片描述

1. Introduction

手机行业领域发展迅速,由于各个手机厂商着重于提高多摄像头移动设备的图像质量,因此对高分辨率和小像素间距图像传感器的需求一直在稳步增加。尽管像素间距缩放低于可见光衍射极限,但由于图像信号处理的逐步改进,仍能继续实现更好的图像质量。

高分辨率图像传感器需要更低的功耗和更快的读出速度,因为传感器必须同时管理大量像素。晶片堆叠工艺应用于高分辨率CIS,其中像素和读出电路分别在像素和逻辑晶片中实现,从而允许每个晶片工艺针对其自身目的进行优化。通过在逻辑晶片中采用先进的工艺节点,可以在不影响像素晶片的情况下实现更低的功耗和更快的读出。此外,通过采用先进的工艺节点,可以在更小的面积内以更低的功耗在逻辑晶片中实现更多的图像信号处理器功能,如像素装仓模式或可切换转换增益(SCG)。

此外,小像素间距需要SF晶体管和光电二极管的尺寸收缩。SF晶体管宽度越窄,Gm越小,这是读取速度的重要参数,尤其是在高分辨率图像传感器中。在高分辨率图像传感器中,每个像素阵列列的位线变得更长,导致位线稳定时间更长,导致读取速度更低。时间常数 t, 对于位线可以表示为t = RC=(1/Gm+Rload)C,其中Rload和C分别是位线的负载电阻和寄生电容。从表达式中可以看出t 与Gm成反比。

较小的光电二极管尺寸降低FWC和暗特性。为了获得更高的FWC,必须增加光电二极管的n型离子注入剂量和光电二极管之间隔离处的p型离子注入量,以实现合理的隔离势垒。然而,增加的n型/p-型离子注入剂量会产生高电场,从而降低通过有缺陷的光电二极管硅表面的暗电流和WP。因此,设计更小的光电二极管需要n型/p-型离子注入剂量调谐和硅表面缺陷改善。在这项工作中,我们提出了一种新的CIS,它解决了上述与高分辨率和小像素间距图像传感器有关的问题。

2. Pixel架构与技术

2.1 Sensor架构

下图显示了传感器的框图和横截面,该传感器使用OmniVision Gen2堆叠技术:

Sensor Block

传感器晶片采用CIS专用40nm工艺节点。在逻辑晶片中,新采用了22nm工艺节点,而不是我们以前的小像素堆叠传感器中使用的40nm工艺节点。模拟和数字电路针对22nm工艺节点进行了设计和优化,与40nm工艺节点相比,实现了更低的功耗和更高的读出速度。

传感器的像素阵列大小为200兆像素(16384(H)x 12288(V)),光学格式为1/1.28”,像素间距为0.61µm。采用2x4共享架构,其电路示意图如下所示:

在这里插入图片描述

2.2 Pixel布局

下图显示了本工作中使用的传统布局和新布局之间的像素晶体管布局转变比较(左为传统布局,右为新布局):
在这里插入图片描述
每个晶体管通过浅沟槽隔离(STI)进行隔离。在新布局中,两个SF通过金属布线并联连接,这提供了更大的SF宽度。通过采用垂直传输门(VTG),可以将光电二极管转移到更深的硅区域,允许在光电二极管上放置晶体管,从而在晶体管设计中提供更大的灵活性。两个SF的较大SF宽度即使在较小的像素间距中也可以提高Gm,从而在200兆像素CIS中给出合理的位线时间常数。我们还采用了背面深沟槽隔离(BDTI)来隔离每个像素,改善了光学串扰。STI、VTG和BDTI的组合允许对正面和背面硅进行独立的布局优化,使其适合小像素开发。此外,正如上图所示,我们可以包括一个额外的晶体管,它可以用于高动态应用的SCG。

2.3 Pixel性能改进

下图显示了深度方向上传感器光电二极管电位剖面的TCAD模拟:

在这里插入图片描述
通过增加n型/p-型离子注入剂量和优化电势分布,避免了像素间距收缩导致的FWC降低。我们可以看到,在不牺牲滞后或开花的情况下,潜力在深度上平滑地扩展以增加FWC。然而,由于位于缺陷硅表面的较高电场而导致的暗电流或WP的退化是另一个问题,特别是在通过蚀刻工艺产生缺陷的BDTI界面中。我们采用了最新的BDTI流程,从而改进了WP。

由于较小的片上透镜(OCL)填充因子,小间距像素遭受显著的QE退化。QPD,或具有2x2 OCL的Quad Bayer编码,是一种在2x2像素阵列中使用一个OCL和相同滤色器的设计,可产生高分辨率和高动态范围的图像传感器。QPD是改善小像素图像传感器量化的一项重要技术,并在本工作中得到了实现。

3. 实验与对比

3.1 帧率&Gm指标

与40nm工艺节点相比,22nm工艺节点能够在保持相同时钟频率的同时将数字功耗降低一半,并将FHD帧率从240fps提高到480fps。同时与0.7µm相比,0.61µm像素显示出63%的SF-GM改善,在2亿像素图像传感器中实现了合理的位线常数,如下图所示:

在这里插入图片描述

3.2 满井容量

下图显示了与像素间距相关的FWC趋势:
在这里插入图片描述
填充的圆圈和虚线代表了基于1.0µm像素的简单像素区域缩放所实现的FWC。空圈显示了我们上一代0.8µm和0.7µm技术的数据。可以看出,0.8µm和0.7µm FWC远高于简单缩放预测的值;这一改进是由深光电二极管技术实现的,该技术在深硅地区精心设计了潜力。我们采用了同样的技术,我们重新设计了0.61µm,在没有滞后的情况下实现了5.0KE-FWC。

3.3 白像素数量

与0.7µm相比,0.61µm像素的WP直方图有所改善,如下图所示:
在这里插入图片描述
尽管我们增加了N型/P型离子注入剂量,导致电场更高,但与上一代相比,我们最新的BDTI技术使WP得到了改善。

3.4 QE

下图显示了0.7µm和0.61µm像素之间的QPD QE曲线比较:
在这里插入图片描述
在可见光范围内,总体QE性能与0.7µm QPD相当,但在近红外区域可以看到一些退化。

4. 结论

我们开发了一种新的40/22nm 200兆像素堆叠图像传感器,像素大小为0.61µm。表1显示了0.7µm和0.61µm像素之间的性能比较。数字功耗降低了一半,FHD帧速率从240fps提高到480fps。我们的SF-Gm提高了63%。与0.7µm像素相比,实现了5.0keFWC,没有滞后或开花,具有更好的WP性能。我们展示了在可见光范围内与0.7µm相当的QPD QE性能。

最后,该传感器拍摄的样本图像如下图所示:

在这里插入图片描述

5. 结束语

今天我们为大家介绍了豪威在IEEE中发表的手机端CIS传感器的技术论文,为大家介绍了消费级Sensor的实现原理与技术架构,可以看出相对于车载CIS,消费级Sensor一般不采用DCG、SubPixel等方式提高DR,因为这样会导致成本的提升。同时其Pixel Size相对于车载也小了很多,因此移动手机端实现HDR的方式一般为多帧曝光合成的方式,这也就是为什么在手机拍摄时移动会造成明显的伪影。

好了今天就到这里,希望今天可以给您带来对于传感器的更深的认知,喜欢的同学可以进行朋友圈分享以及点击文章在看。另外,对论文感兴趣的同学可以fllow我的Github论文仓库AdasTechPapers,公众号回复较慢,后续讲解的论文会在仓库中开源。

如果您对ADAS感兴趣,欢迎关注我的公众号、知乎、Github、CSDN等,同时发表文章中使用源码以及文章会在我的GitHub进行开源,如果您有感兴趣话题也可以后台私信。同时,也欢迎加入我的知识星球以及交流群,获取行业信息、技术论文等一手资料~
在这里插入图片描述
如果您对ADAS感兴趣,欢迎关注我的公众号、知乎、Github、CSDN等,同时发表文章中使用源码以及文章会在我的GitHub进行开源,如果您有感兴趣话题也可以后台私信。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/210644.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

Linux查看计算机处理器相关的信息

采用命令lscpu。部分结果如下:

人工智能时代:AIGC的横空出世

🌈个人主页:聆风吟 🔥系列专栏:数据结构、网络奇遇记 🔖少年有梦不应止于心动,更要付诸行动。 文章目录 📋前言一. 什么是AIGC?二. AIGC的主要特征2.1 文本生成2.2 图像生成2.3 语音生成2.4 视…

openGauss学习笔记-137 openGauss 数据库运维-例行维护-检查和清理日志

文章目录 openGauss学习笔记-137 openGauss 数据库运维-例行维护-检查和清理日志137.1 检查操作系统日志137.2 检查openGauss运行日志137.3 清理运行日志 openGauss学习笔记-137 openGauss 数据库运维-例行维护-检查和清理日志 日志是检查系统运行及故障定位的关键手段。建议按…

Azure Machine Learning - Azure AI 搜索中的索引器

在 Azure AI 搜索中,搜索索引是可搜索的内容,可供搜索引擎用于索引编制、全文搜索和筛选后查询。 索引由架构定义并保存到搜索服务中,第二步是数据导入。 除了在主数据存储中,此内容也存在于搜索服务中,这是在新式应用…

堆内存参数如何设置?

程序员的公众号:源1024,获取更多资料,无加密无套路! 最近整理了一份大厂面试资料《史上最全大厂面试题》,Springboot、微服务、算法、数据结构、Zookeeper、Mybatis、Dubbo、linux、Kafka、Elasticsearch、数据库等等 …

微软Copilot魔法来袭!用自然语言,点燃你的工作热情

近日我们发布了全新Copilot功能,旨在通过智能化的工作方式,提高企业整体的生产力和客户体验。新一代的Copilot结合了先进的AI技术,通过自然语言交互,为用户提供即时、个性化的信息和解决方案。这一变革性的工具将为现场服务人员提…

(二)Tiki-taka算法(TTA)求解无人机三维路径规划研究(MATLAB)

一、无人机模型简介: 单个无人机三维路径规划问题及其建模_IT猿手的博客-CSDN博客 参考文献: [1]胡观凯,钟建华,李永正,黎万洪.基于IPSO-GA算法的无人机三维路径规划[J].现代电子技术,2023,46(07):115-120 二、Tiki-taka算法(TTA&#xf…

分析实现HarmonyOS中的Linux内核架构模式

在当今的科技领域,操作系统是各种智能设备运行的关键所在。而在这方面,华为的鸿蒙系统备受瞩目。那么,鸿蒙系统技术架构是怎样的呢?本文将为您揭开这一神秘面纱。 首先,我们需要了解鸿蒙系统的基本架构。鸿蒙系统采用…

Azure Machine Learning - 使用 REST API 创建 Azure AI 搜索索引

本文介绍如何使用 Azure AI 搜索 REST AP和用于发送和接收请求的 REST 客户端以交互方式构建请求。 关注TechLead,分享AI全维度知识。作者拥有10年互联网服务架构、AI产品研发经验、团队管理经验,同济本复旦硕,复旦机器人智能实验室成员&…

windows判断exe应用程序是否在使用的bat脚本

脚本 REM 查询进程是否存在 tasklist|findstr /i "mysqld.exe">nul &&echo y >2.log ||echo n >2.log REM 读取文本内容赋值给变量 set /P resu<2.log if %resu% y (echo process in use ) else (echo process not in use )我们已mysqld.exe…

【网络安全技术】实体认证技术Kerberos

一、什么是Kerberos Kerberos解决的是客户端与服务器通信场景中&#xff0c;确保客户端服务器双方的身份可信&#xff0c;并提供对称密钥的分发来加密传输。是一个应用层的协议。 二、一个简单的模型 1.看这个基础的模型&#xff0c;客户端要和服务器通信&#xff0c;他先将自…

百度/抖音/小红书/微信搜索品牌形象优化怎么做?

搜索口碑是网络营销不可或缺的一部分&#xff0c;企业如何做好品牌搜索口碑优化呢&#xff1f;小马识途营销顾问建议从以下几方面入手。 1. 通过关键字优化提高自身知名度 通过对竞争对手和目标客户的关键字进行分析&#xff0c;企业可以确定哪些关键字可以提高自身品牌知名度。…

Python函数的高级用法

Python 的函数是“一等公民”&#xff0c;因此函数本身也是一个对象&#xff0c;函数既可用于赋值&#xff0c;也可用作其他函数的参数&#xff0c;还可作为其他函数的返回值。 使用函数变量 Python 的函数也是一种值&#xff1a;所有函数都是 function 对象&#xff0c;这意…

C++-类型转换

目录 一.C语言中的类型转换 二.C中的类型转换 1.C中的四种类型转换 2.为什么C需要四种类型转换 3.C中类型转换的使用 a.static_cast b.reinterpret_cast c.const_cast d.dynamic_cast 一.C语言中的类型转换 在C 语言中&#xff0c;如果 赋值运算符左右两侧类型不同&#xff0…

java学习part28线程安全Lock锁方式

138-多线程-线程安全的懒汉式_死锁_ReentrantLock的使用_哔哩哔哩_bilibili 1.lock类变量 2.使用方法 和以前的加锁一样&#xff0c;同步代码前加锁&#xff0c;代码后解锁&#xff0c;就表示锁住了这一块代码。 lock是上面声明的静态常量 3.同步和加锁对比

Unity Image - 镜像

1、为什么要使用镜像 在游戏开发过程中&#xff0c;我们经常会为了节省 美术图片资源大小&#xff0c;美术会将两边相同的图片进行切一半来处理。如下所示一个按钮 需要 400 * 236&#xff0c;然而美术只需要切一张 74*236的大小就可以了。这样一来图集就可以容纳更多的图片。…

Redis数据存储:高效、灵活、实时

目录 引言 1. Redis概述 1.1 什么是Redis&#xff1f; 1.2 Redis的数据结构 1.3 Redis的持久化机制 2. Redis的使用场景 2.1 缓存 2.2 会话存储 2.3 发布/订阅系统 2.4 计数器和排行榜 3. Redis最佳实践 3.1 数据模型设计 3.2 键的命名规范 3.3 事务和原子操作 3…

人工智能学习5(特征抽取)

编译环境&#xff1a;PyCharm 文章目录 编译环境&#xff1a;PyCharm 特征抽取无监督特征抽取(之PCA)代码实现鸢尾花数据集无监督特征抽取 有监督特征抽取(之LDA)代码实现,生成自己的数据集并进行有监督特征抽取(LDA)生成自己的数据集PCA降维和LDA降维对比 代码实现LDA降维对鸢…

UiPath学习笔记

文章目录 前言RPA介绍UiPath下载安装组件内容 前言 最近有一个项目的采集调研涉及到了客户端的采集&#xff0c;就取了解了一下RPA和UIPATH&#xff0c;记录一下 RPA介绍 RPA&#xff08;Robotic Process Automation&#xff1a;机器人处理自动化&#xff09;&#xff0c;是…

工业机器视觉megauging(向光有光)使用说明书(十三,资源发现bug,已经更新)

megauging&#xff08;向光有光&#xff09;旧资源有bug&#xff0c;已经更新&#xff0c;如下&#xff1a; 第一工具&#xff0c;combox默认0&#xff0c;选择后&#xff0c;鼠标点击“获取结果”&#xff0c;相机就取一帧图像处理后显示出来&#xff1a; 第一工具&#xff0…