据中国激光杂志社网，于2025年05月02日报道，“图像艺术家”+“严谨裁判”，1%采样率实现单像素相机重建高质量图像。
单像素成像
单像素成像（SPI）是一种新颖的计算成像方法。不同于传统相机依赖上百万像素的传感器，单像素成像仅用一个光电探测器就能获取图像。其原理是向场景投射一系列特定光图案，每次投射时单像素探测器记录对应的光强度，最终根据这些测量数据通过算法重构出图像。由于不需要复杂的像素阵列，单像素相机在弱光或不可见光波段成像时具有成本低、灵敏度高等优势。然而，却需要多次采样才能获得清晰图像。举例来说，为了获得一幅清晰的高分辨率图像，可能需要投射成千上万种光图案，整个过程既费时又需要处理海量数据，很大程度上制约了其实际应用。
为大幅减少采样次数，目前报道的主要有两类低采样方法。第一种是基于物理模型的算法，这类方法直接利用测量数据进行图像重建，但在数据极少的情况下，图像通常模糊不清。另一种则是基于人工智能的深度学习算法，这类方法利用大量图像数据训练模型，能产生更清晰逼真的图像，但有时因为缺乏对实际测量数据的约束，会出现图像与实际测量结果不一致的情况，导致重构图像不准确。同时，神经网络参数与训练用的测量数据绑定，缺乏对不同测量装置的自适应性。
全新的图像重建方法——APD-Net
清华大学等机构的研究者们提出了一种全新的图像重建方法——APD-Net，使单像素相机在超低采样率下也能重建高质量图像。不同于常见的物理融合训练网络，APD-Net仅在神经网络推理过程引入物理模型和测量数据。APD-Net网络推理将任务相关的物理先验和任务无关的通用自然图像先验结合重构图像，体现了物理模型与数据驱动扩散网络相结合、交替优化的思想。简单来说，APD-Net融合了两方面的“智慧”：一是物理先验，即关于单像素成像物理过程的知识约束；二是数据先验，即从大量自然图像中学习到的图像特征规律。研究团队通过在海量真实自然图像上训练扩散模型，掌握了任务无关的通用自然图像特征，能够生成逼真的图像。在APD-Net中，扩散模型相当于“图像艺术家”，根据有限的数据勾勒出合理的图像猜测；物理成像模型则如同“严谨裁判”，确保生成的图像与单像素传感器的实际测量吻合，如图1所示。相关研究成果以“Physics and data-driven alternative optimization enabled ultra-low-sampling single-pixel imaging”为题发表在Advanced Photonics Nexus 2025年第3期。
APD-Net的图像重建过程让上述两种智能交替配合。首先，物理模型根据单像素相机获取的少量观测给出一个初步的图像轮廓。然后，扩散模型根据对自然图像的经验将这个初始图像完善得更逼真、更清晰。接着，物理模型再度介入，校正图像使其回到符合单像素探测器实际观测的数据范围内。如此反复交替: 一方面AI模型不断填充细节，使图像越来越接近真实照片，另一方面物理模型持续施加约束，防止图像偏离实际测量。经过几十次这样的迭代，模糊的初始轮廓被逐步打磨成清晰逼真的图像。APD-Net充分利用了每一份观测数据。通过替代优化，APD-Net 能够重建数据效率高、保真度高、符合统计学和物理学的图像。
在仿真和实际实验中，APD-Net都展现了出色表现。即使采样率降至仅1%，它依然能够重建出清晰的彩色图像；而传统方法在如此低采样下几乎无法重建清晰图像，即使一些深度学习算法也需要针对不同条件反复调参才能工作。特别地，APD-Net中扩散模型的参数描述了自然图像的通用特征，不受限于具体任务。该团队实验证明，仅改变推理中的物理模型，无需调整神经网络参数，便可立即适用于不同的测量装置和采样率，节省了神经网络重新训练的算力和人力。
清华大学耿子涵教授表示：“APD-Net提出了单像素图像重构的新范式。通过物理和AI的交替指导，我们将两者的优势完美结合，使得在极少测量数据下也能获得符合物理观测的、清晰的图像。同时，该方法无需重新训练神经网络，通过改变物理模型可即时适应于不同场景。这种物理约束与大数据通用特性交替驱动优化的范式为单像素成像及其他计算成像领域提供了创新思路。”
总结与展望
APD-Net在医疗成像、工业检测和环境监测等领域均具有广泛的应用前景。例如在医学影像中，APD-Net能够减少患者暴露于成像辐射的时间；在环境监测领域中，结合特殊波段单像素测量装置，它能够对传统相机难以捕捉的透明有害气体成像。这项创新思想不仅提高了单像素成像的实用性，也有望推动多光谱成像、散射介质成像、显微成像等计算成像领域。
主要作者简介
耿子涵，现任清华大学深圳国际研究生院博导。美国光学学会 (OSA)及国际电气与电子工程师学会(IEEE)会员，深圳海外高层次人才。博士毕业于澳大利亚莫纳什大学电子与计算机系统工程系，随后曾任职于华为技术有限公司总部和哈尔滨工业大学。现就职于清华大学深圳国际研究生院，致力于光场计算成像、光场调控与编码技术研究。目前主要从事光场计算成像、光场调控与编码技术研究，在 Photonics Insights 和Light: science & applications 等刊物发表五十余篇，受邀报告二十余次，作为项目负责人主持十余项国家级等各类项目。
张逸飞，清华大学深圳国际研究生院硕士生。2022年于北京航空航天大学取得本科学位，现主要从事计算摄像领域研究。在Advanced Photonics Nexus 和 Optics Letters 等期刊以第一作者身份发表文章数篇。
