本文由论文作者团队撰稿

导读

清华大学联合西安电子科技大学、香港城市大学等单位合作提出一种复杂环境下的单像素成像混合噪声分析方法，并通过物理一致退化建模与结构化训练，克服光源波动、模糊、抖动及探测噪声等多重干扰，在低采样率和强干扰下实现了高质量图像重建。该方法可提升单像素成像在复杂真实环境中的稳定性，为生命科学、工业检测和遥感测绘等领域的应用奠定技术基础。

研究成果以“Comprehensive compensation of real-world degradations for robust single-pixel imaging”为题发表于Light: Science & Applications。论文通讯作者为清华大学耿子涵、西安电子科技大学刘飞和香港城市大学陈沐谷，论文第一作者为清华大学刘宗昊，共同一作耿子涵。

单像素成像（Single Pixel Imaging, SPI）通过结构光调制和单像素探测重构场景，具有无需阵列传感器、覆盖非可见光的宽波段探测以及散射和弱光探测等优势，在红外探测、遥感成像、生物医学、工业检测、安全监控等领域具有巨大应用前景。然而，现实环境复杂多变，光学系统不可避免地会受到多种退化因素叠加作用，给成像质量与稳定性带来显著挑战。

在实际场景中，单像素成像会受到多种退化因素的共同作用，例如：

光源功率波动引起的照明强度噪声；

介质散射或光学元件缺陷造成的成像模糊；

成像平台或目标物体不稳定导致的空间抖动；

探测端电子噪声和编码模式相关噪声等。

不同于常用的被动成像相机，单像素成像通过重构算法恢复图像，单次测量的偏差可随照明模式结构在重建中全局传播，影响所有像素。作为一种主动成像技术，单像素成像的噪声种类多，且对噪声建模顺序敏感，因而分析和建模复杂。现有单一退化因素补偿方法在应对现实世界的多重退化组合下往往失效。若采用端到端神经网络训练的方法，需要采集大量数据，耗费大量人力物力，且缺乏对不同场景的泛化能力。因此，需要构建一个全面的、综合的真实世界单像素成像退化模型和补偿方法。

鉴于上述挑战，研究团队建立了单像素成像退化过程的综合物理解析模型和补偿方案。该工作首次全面地对真实世界中单像素成像遇到的多重退化因素进行建模和定量分析（如图1所示）。该工作物理建模了模糊、下采样、噪声等退化因素，例如：乘性噪声——首次在单像素成像中将平台或目标抖动与照明模式边界复杂度关联为乘性项。探测端随机噪声——同时考虑电子噪声与大数定律下的光子统计泊松噪声。模糊——以多种各向同性与各向异性高斯核建模离焦与介质散射。该工作通过模式相关噪声的全局传播模拟了噪声对重构图像的影响。

图1：单像素成像中多重退化因素示意图

所提出的综合退化物理模型可生成覆盖多种真实世界单像素成像的退化类型与参数组合的数据，从而可以构建单像素成像“盲修复”（Blind Compensation）神经网络。该网络可以在退化类型和参数未知的情况下进行去噪，从而避免了定量描述噪声水平、抖动幅度等现实环境中退化因素的困难，并在分辨率与保真度方面表现出稳定优势，具有优良的泛化性、鲁棒性和实用性。

为验证所提出方法，研究团队搭建了单像素成像实验平台，在真实复杂退化条件下与其他代表性深度学习方法对比。定量结果（图2a、图2b）与彩色实物成像实验（图2c）表明，该方案在复杂退化场景中显著优于对比方法，展现了在真实环境中的鲁棒性与优越性。

图2：实验验证与对比结果。(a) 不同神经网络在复杂退化条件下的重建图像峰值信噪比（PSNR）；(b) 不同神经网络在复杂退化条件下的重建图像结构相似性指数（SSIM）。对比方法包括：DDPMGI，一种基于扩散模型的方法；PCM-DRGI，一种基于双分支卷积神经网络的方法；GAN-SRSPI，一种基于生成对抗网络的方法。(c) 复杂退化条件下的彩色实物成像对比

总结与展望

本研究提出一种真实世界复杂环境下的单像素成像混合噪声分析方法，以及一种无需估计噪声参数的图像重构去噪方法，显著提升了单像素成像的鲁棒性和成像质量。该技术有望为生命科学成像、工业检测及遥感测绘等领域提供高精度、低成本的成像解决方案。（来源：中国光学微信公众号）

相关论文信息：https://doi.org/10.1038/s41377-025-02021-7