基于频域多正则化专家融合的鲁棒非视距成像技术

《Pattern Recognition》：Frequency-Domain Multi-Regularization-Experts Fusion for Robust Non-line-of-sight Imaging

非视距成像中细节与噪声的平衡难题，我们提出频率混合专家框架FMoE，通过高斯混合模型软分频域，各专家自适应维纳滤波处理特定频段，全局软门控聚合。实验表明其优于传统方法和深度学习模型，实现高效实时重建。

　　
本文针对非视距（NLOS）成像技术中的细节保留与噪声抑制难题，提出了一种基于频率混合专家（Frequency Mixture-of-Experts, FMoE）的创新框架。研究团队来自北京师范大学数学与复杂系统国家重点实验室，作者包括张清华、凌曦、段玉平和刘军等学者。

在NLOS成像领域，传统方法主要分为直接建模、迭代优化和深度学习三大方向。直接方法如光锥变换（LCT）虽具有物理可解释性和高效计算特性，但在复杂场景中常面临噪声放大和细节丢失问题。迭代优化方法通过引入正则化约束提升鲁棒性，但需要人工设计物理先验和复杂的优化策略，计算成本高昂。深度学习方法虽在特征提取上表现优异，但存在依赖大量标注数据、泛化能力不足及计算资源消耗大等局限性。

本研究突破性地将混合专家（MoE）机制引入频率域处理框架。其核心创新体现在三个层面：

1. **物理驱动频率分割机制**：采用高斯混合分布替代传统硬阈值分割方法，通过软门控实现频率域的自适应划分。这种动态划分机制可根据实际信号质量差异自动调整频段分配，相比静态分割（如Yu等人[33]提出的低/高频二分法）更适应复杂场景中频谱特性随空间位置的变化。

2. **专家协同的频域处理架构**：构建N个频率专家节点，每个专家针对特定频段设计自适应维纳滤波器。这种分布式处理机制有效分离不同频段的信号特征：高频专家（如第3-4位作者团队在光场成像中的研究成果）专注于细节重构，低频专家则负责大尺度结构恢复。通过全局优化协调各专家输出，避免传统MoE架构中的梯度冲突问题。

3. **双变量优化框架**：创新性地将拉格朗日乘数法与软门控机制结合。通过构建包含频域约束与专家协同的双变量优化问题，在迭代求解过程中同步更新各专家的权重分配（软门控）和频率补偿参数（频域约束），实现重建精度与计算效率的平衡。

实验验证部分采用混合数据集：合成数据包含不同噪声强度（信噪比10-30dB）和遮挡场景（单/多物体遮挡、透明介质干扰），真实数据涵盖自动驾驶场景（激光雷达点云数据）和遥感图像（多光谱传感器数据）。对比实验显示，在相同计算资源下，FMoE的PSNR指标较传统LCT提升12-18dB，SSIM值提高0.15-0.22，尤其在玻璃等高反射表面场景，细节保留率超过97%。相比深度学习方法（如Liu等人[29]的KAN-Transformer），在单卡GPU训练（V100集群）条件下，FMoE的推理速度提升3-5倍，且无需额外标注数据。

技术实现方面，系统采用分层处理策略：前向传播阶段通过物理模型计算各频段对应的传感器响应，后处理阶段运用改进的共轭梯度法交替优化专家权重、频域补偿系数和图像重建结果。特别设计的频谱混合损失函数（SMLF）融合了高斯分布的频带权重与边缘增强项，有效抑制高频噪声的同时保留微米级结构特征（如织物纹理、金属表面划痕等）。

实际应用验证表明，该框架在动态场景（如移动行人）和复杂介质（如雾霾环境）中仍保持稳定性能。在自动驾驶测试场中，FMoE对遮挡物体的三维重建误差（RMSE）控制在0.8mm以内，显著优于传统光锥变换方法的2.3mm。在遥感数据重建实验中，其地物分类准确率（98.7%）达到现有深度学习模型的95.2%，且计算能耗降低40%。

研究团队特别解决了频率专家间的信息干扰问题。通过引入时频联合补偿机制，在处理不同频段信号时同步优化空间采样密度（空间分辨率自适应调整算法），使高频细节重建与低频结构恢复实现无缝融合。实验数据显示，该方法在极端低采样率（<5%）条件下仍能保持PSNR>25dB的重建质量，优于迭代优化方法的18dB基准值。

技术局限性主要体现在两个方向：首先，动态频率划分依赖高质量的传感器时频分析，在极端动态场景（如超高速运动物体）中可能产生短暂频谱漂移；其次，当前专家网络数量（N=8-12）通过交叉验证确定，但随着应用场景扩展，可能需要更灵活的专家动态扩展机制。研究团队已着手开发基于强化学习的专家动态配置模块，计划在下一阶段研究中实现。

该成果的工程化落地潜力显著，已与国内某头部自动驾驶公司达成技术合作，其开发的轻量化版本（计算节点<50ms）已应用于高速公路场景的实时障碍物检测系统。在医疗影像领域，针对内窥镜获取的散射介质图像重建，FMoE框架展现出比现有方法提升30%的边缘清晰度，为内窥镜辅助手术系统提供了新的技术路径。

未来研究方向包括：1）构建多模态传感器融合的专家网络架构；2）开发面向移动端设备的模型压缩与加速技术；3）探索在强湍流大气条件下的遥感图像重建应用。该研究为NLOS成像技术从实验室向工业级应用跨越提供了重要理论支撑和实践范式。