2026年第4期On the Cover：

单光子单像素成像凭借其宽光谱范围、低资本及高像素贯串性等上风，已成为弱光成像界限的一条新兴本贯通线。然则，复杂的噪声侵略严重制约了其成像质料。针对这一问题，太旨趣工大学肖连团解说和卞耀兴副解说团队建议了一种物理开动深度学习的单光子单像素成像设施，通过多源噪声的精准建模，并基于此构建大限制检修数据集，开动自符合多圭表神经集聚已矣了高质料成像。这项责任有望为军事侦查、生物医学、天文不雅测等界限的研讨提供有劲缓助。

——姚云华副研讨员，华东师范大学

青编委

在极弱光条目下已矣高质料成像，一直是制约相关本领走向骨子应用的重要问题。从远距离指标探伤、动态场景拿获到复杂环境下的低照度感知，极弱光成像长久具有蹙迫的应用价值。与传统焦平面阵列探伤器比较，单光子单像素成像仅依赖单个高灵巧探伤器进行信号集聚，具有光谱反应范围宽、资本低、无像元一致性各别等上风。然则，在极弱光条目下，散粒噪声、暗计数、后脉冲和死时刻等多源噪声会导致成像质料严重退化。深度学习虽为成像质料的晋升提供了新的本贯通径，但极弱光条目下噪声要素复杂、变化剧烈。由此酿成的数据分散愈加复杂，与模拟数据之间的域各别更大，严重收尾了深度学习设施在信得过场景中的成像性能。因此，构建精准的单光子单像素成像正向模子，为深度学习有酌量提供可靠的数据着手，是已矣高质料极弱光成像的蹙迫保险。

伸开剩余83%

为此，太旨趣工大学肖连团解说、卞耀兴副解说团队基于单光子探伤器的物理反应机制，建议了一种物理开动深度学习的单光子单像素成像设施，通过对成像过程中多源噪声的精准建模，约略准确还原单光子事件的物理反应过程，并基于此构建了大限制检修数据集，开动深度神经集聚已矣了高质料成像，将U-Net成像遣散的峰值信噪比晋升了10 dB以上。相关研讨效用以“Physics-guided deep learning for enhanced single-photon single-pixel imaging”为题发表于2026年第4期，被彩选为封面著作。

图1展示了物理噪声先验模子的详备历程。该模子最初诡计并纠正每张掩膜对应的光子事件反应概率扫数。针对散粒噪声、环境噪声和暗计数噪声竖立独处的光子事件反适时刻轴，通过伯努利过程在时域上模拟各种光子事件的当场产生。随后，凯发娱乐(K8)官方网站将不同着手的光子事件时刻轴进行合并，并进一步引入后脉冲噪声和死时刻噪声，对总时刻轴中的光子事件进行修正。临了，通过统计各掩膜对适时刻轴上的有用光子事件数获取最终测量信号。

图1 物理噪声先验模子旨趣

该责任最初考证了所建议物理噪声先验模子的有用性。诈骗包括所建议模子在内的五种正向模子合成数据集，分裂检修通用去噪神经集聚U-Net，并进一步在信得过施行数据集上进行测试，如图2(a)所示。图2(b)和(c)分裂展示了各设施成像遣散的平均峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）、结构一样性（Structural Similarity，SSIM）以及部分重建遣散。遣散标明，基于物理噪声先验模子开动的U-Net透表现最好成像性能，考证了该模子的有用性。进一步对不同噪声模子和信得过数据开动的U-Net从150个信得过施行样本中索求的高维特征进行数据降维可视化分析，遣散如图2(d)所示。基于物理噪声先验模子开动的U-Net索求的特征与信得过数据检修U-Net索求的特征分散最为接近，充分讲明该模子生成的数据与信得过数据具有高度一致性。

图2 物理噪声先验模子有用性考证。(a)物理噪声先验模子开动深度神经集聚；(b)不同噪声模子开动U-Net重建图像的平均PSNR和SSIM；(c)不同噪声模子开动U-Net的部分红像遣散；(d)不同噪声模子开动U-Net从归并数据集索求的高维特征的降维遣散

在物理噪声先验模子基础上，该责任进一步建议了一种适用于光子级单像素成像的多圭表自符书册聚，HJC黄金城官网首页如图3所示。诈骗物理噪声先验模子合成的大限制数据集对集聚进行检修并在多个场景中进行考证。

图3 多圭表自符合成像集聚。(a) 全体集聚架构；(b)空间Transformer模块详备结构

图4(a)和(b)给出了不同光照条目下各设施成像遣散的平均PSNR和SSIM。跟着光照强度镌汰，差分关联成像设施（Differential ghost imaging，DGI）、全变分增广拉格朗日轮换标的算法（Total Variation Augmented Lagrangian and Alternating Direction Algorithm，TVAL）和基于深度神经集聚拘谨的鬼成像设施（Ghost Imaging Using Deep Neural Network Constraint，GIDC）的成像质料均出现赫然下落，其中DGI和TVAL的PNSR和SSIM永边远于较低水平。比较之下，所建议有酌量在较大光照变化范围内仍保捏较高的成像质料，即使在单元像素亚光子条目下，其重建遣散的PSNR仍领会保捏在26.0 dB以上。图4(c)中的部分可视化遣散也呈现出一致的变化趋势。

图4 极弱光成像。(a)不同光照条目下不同成像设施成像遣散的平均PSNR；(b)不同光照条目下不同成像设施成像遣散的平均SSIM；(c)不同成像设施在不同光照条目下的重建图像

为进一步考证所建议成像有酌量在信得过场景中的鲁棒性，该责任进一步开展了外场远距离成像施行。分裂中式距成像系统72 m和150 m的好处分辨率板与钟楼当作成像指标，如图5(a)所示。除与DGI、TVAL和GIDC进行比较外，还与高灵巧度焦平面阵列相机成像遣散进行对比，遣散如图5(b–d)所示。不错看出，所建议设施在钟楼成像中约略有用阻拦噪声，显耀晋升了指标结构了了度和细节可辨识性。在分辨率板成像遣散中，其空间分辨率和成像对比度均优于对比设施，相较于TVAL，其成像对比度晋升了约5倍，如图5(e)所示。

图5 户外成像遣散。(a)成像施行栽植；(b)不同设施规复的钟楼图像；(c)所选区域的放大图像；(d)不同设施规复的分辨率板；(e)分辨率板成像遣散中虚线区域对应的强度截面

“该研讨面向极弱光条目下的高灵巧成像需求，在远距离探伤、复杂环境感知及生物医学成像等界限具有蹙迫应用长进。通过将物理建模与深度学习深度会通，冲破了传统数据开动设施在复杂噪声环境中的泛化瓶颈，显耀晋升了单光子成像的可靠性。”通讯作家肖连团解说暗示，“该本领在亚光子水平下仍能已矣高质料成像，展现出优异的鲁棒性与工程应用后劲，往日有望在精密测量与量子感知等标的进一步拓展，鼓励极弱光智能成像向骨子应用场景迈进。”

主要作家简介

宋恺，太旨趣工大学在读博士。主要从事基于深度学习的单光子、单像素成像方面的研讨。当作第一/共一作家在、Laser & Photonics Reviews、、等期刊发表SCI论文10余篇，授权发明专利2项，主捏省部级技俩1项。

卞耀兴，太旨趣工大学副解说，主要从事单光子、单像素成像、当场激光的光场调控及应用研讨。在、Laser & Photonics Reviews、、等期刊发表SCI论文20余篇，授权发明专利10项，主捏国度当然科学基金技俩2项，省部级技俩1技俩。

肖连团，太旨趣工大学解说，博士生导师，训诲部长江学者特聘解说，国度重心研发贪图首席科学家，中国光学学会会士，训诲部鼎新团队带头东谈主，国务院政府格外津贴巨匠。兼任山西大学光量子本领与器件宇宙重心施行室副主任。主捏承担国度重心研发贪图、国度重要科研仪器研制技俩等。主要研讨标的为单光子单像素成像、量子能源学特点及精密光谱等。在、Nature Physics、Nature Communications、Science Advances、Physical Review Letters 期刊等发表学术论文200余篇，获国度/海外发明专利授权30余项。

撰稿 | 宋恺 太旨趣工大学黄金城

发布于：上海市开云(中国)KaiYun体育官网

• 黄金城
• 冲破
• 收尾
• 封面
• 噪声