基于高度非线性光纤中的前向布里渊散射的空间限制液体温度和酒精浓度传感技术

《Optics & Laser Technology》：Spatially confined liquid temperature and alcohol concentration sensing based on forward Brillouin scattering in highly nonlinear fiber

水下极化成像3D重建方法SfP-Underwater通过双池SwinTransformer编码器与并行空间-通道注意力融合模块，有效抑制水体散射干扰并提升表面法线估计精度，构建首个水下散射环境数据集验证其多场景鲁棒性。

　　在水下光学三维成像技术的发展过程中，水的散射效应是导致图像质量下降的主要障碍之一。这种散射现象使得光线在水中的传播路径变得复杂，造成目标反射光的衰减和图像模糊，从而对水下三维重建提出了严峻挑战。因此，如何有效抑制水的散射并提高图像的清晰度，成为该领域研究的关键问题。近年来，极化成像技术在水下环境中展现出独特的优势，能够通过利用光的偏振特性来增强目标与背景的对比度，并减少水体散射对图像的影响，从而为水下三维重建提供了一种新的解决方案。

极化成像（Underwater Polarization Imaging, UPI）技术的核心在于对目标反射光的偏振信息进行分析。通过捕捉光线在水中的偏振状态，该技术能够有效识别目标表面的微观结构特征，如粗糙度和方向性，进而提高图像的清晰度和对比度。与传统的水下成像方法相比，UPI在水下环境中表现出更强的鲁棒性和更高的信息提取能力。例如，Li等人通过使用线偏振光抑制大部分后向散射，并结合平均滤波技术快速估计透射率，从而实现了清晰的水下成像。而Hu等人则提出了一种基于深度学习的UPI方法（PDN），利用残差密集网络学习目标反射光与偏振信息之间的关系，从而提升水下成像的质量。

在极化成像的基础上，形状从极化（Shape from Polarization, SfP）技术进一步发展，通过分析目标反射光的偏振信息来恢复物体表面的纹理细节。然而，仅依靠单张图像的偏振信息来推断表面法线时，仍然存在固有的模糊性问题。为了克服这一挑战，众多研究者尝试结合其他信息源，如阴影、多视角数据和数据融合技术，以提高SfP的准确性。例如，Mahmoud等人通过将极化信息与阴影信息结合，实现了对物体形状的恢复，但这种方法在处理具有复杂表面结构或混合反射特性的物体时可能存在局限性。Miyazaki等人则通过多视角与极化信息的结合来估计表面法线，但这种方法受互反射和未知折射率的影响，导致重建精度下降。

Smith等人提出了一种直接从单张未校准的极化图像中估计表面高度的方法，通过求解稀疏线性系统来实现。然而，这种方法依赖于极化图像的质量和偏振模型的准确性，且在未校准的光照条件下可能缺乏足够的鲁棒性。Achuta等人则采用Kinect传感器获取的粗糙深度图来校正物体表面的模糊法线，但这种方法通常假设物体表面仅具有纯镜面反射或漫反射特性，从而限制了其适用范围。

近年来，基于深度学习的SfP方法取得了显著进展。Ba等人首次提出了一种基于深度学习的SfP方法（DeepSfP），通过使用U-Net架构，结合四张极化图像和法线先验信息，实现了对表面法线的估计。Lei等人则通过引入视角编码、多头自注意力机制和新的极化表示方法，显著提升了场景级SfP的性能。Zou等人提出了一种两阶段的SfP方法，用于从单张极化图像中估计三维人体形状，利用物理先验法线图来增强精度。然而，这种方法在处理复杂姿态和细节时仍存在一定的局限性。

Lyu等人提出了一种两阶段的深度学习框架，用于估计未知远处光源的照明条件，从而有效解决SfP中的模糊性问题，并提升重建表面法线的精度和细节。然而，该方法的计算复杂度较高，限制了其在实际应用中的推广。Chen等人则将极化图像与神经隐式表面重建技术相结合，用于纹理不明显和镜面反射物体的三维重建，并通过哈希网格技术来加速处理过程。但这种方法在偏振角度（AoP）图存在显著噪声的情况下表现不佳，且需要大量的输入视角。

尽管极化成像和SfP技术已获得广泛关注，但在水下散射环境中实现高质量的SfP仍然是一个重大挑战。为了解决这一问题，我们提出了一种新的深度学习方法——SfP-Underwater，专门用于水下散射环境下的三维重建。该方法的核心在于设计了一种双池化Swin Transformer（DPSFormer）编码器，以高效提取目标的局部和全局特征。随后，我们引入了一种并行空间与通道注意力融合（PSCAF）模块，用于实现深度特征的融合，提升网络对高频率区域的重建能力。

此外，我们还构建了首个SfP-Underwater数据集，该数据集包含水下散射环境中的目标极化图像、对应的地面真实法线图以及基于相机内参计算的视角编码信息。该数据集的建立为水下三维重建研究提供了重要的基准。通过在不同水下散射条件下进行水下成像实验，我们收集了多种目标的极化图像，并对其表面法线进行了精确标注，从而确保数据集的多样性和代表性。

为了验证我们提出的方法的有效性，我们进行了与当前最先进SfP方法的对比实验。实验结果表明，SfP-Underwater方法在水下散射环境中表现出显著的优越性，不仅在纹理细节的重建方面优于其他方法，而且在表面法线估计的准确性上也取得了更高的水平。特别是在不同散射介质条件下，我们的方法展现出较强的鲁棒性，能够稳定地进行水下三维重建。与传统方法相比，SfP-Underwater方法不需要额外的校准数据，也不依赖于多视角信息，从而简化了实验流程并提高了实际应用的可行性。

在实际应用中，SfP-Underwater方法可以广泛应用于海洋生物研究、地质勘探、水下考古等多个领域。例如，在海洋生物研究中，该方法能够帮助科学家更准确地识别水下生物的表面特征，从而提高对生物形态和行为的理解。在地质勘探中，SfP-Underwater方法可以用于分析水下岩层的结构特征，提高地质建模的精度。而在水下考古中，该方法能够帮助考古学家更清晰地识别水下文物的表面纹理，从而提高文物修复和保护的效率。

从技术实现的角度来看，SfP-Underwater方法在数据处理和特征提取方面进行了多项创新。首先，DPSFormer编码器通过双池化机制，能够更有效地提取目标的局部和全局特征，从而提高特征表达的丰富性。其次，PSCAF模块通过并行空间与通道注意力机制，能够实现对深度特征的融合，增强网络对高频率区域的感知能力。这种设计不仅提升了图像的清晰度，还增强了对复杂水下环境的适应性。

在数据集构建方面，我们特别关注了水下环境的多样性。通过在不同水下散射条件下进行实验，我们收集了多种目标的极化图像，并对其表面法线进行了精确标注，从而确保数据集的全面性和代表性。该数据集不仅包含了清晰水环境中的目标图像，还涵盖了两种不同水下散射环境中的图像，为研究不同散射条件下的SfP方法提供了丰富的数据支持。此外，我们还考虑了视角编码信息的准确性，确保在不同视角下能够获得一致的表面法线估计结果。

在实验验证方面，我们对SfP-Underwater方法进行了系统的测试和评估。通过与当前最先进的SfP方法进行对比，我们发现SfP-Underwater方法在水下散射环境中表现优异，不仅在纹理细节的重建方面具有更高的精度，而且在表面法线估计的准确性上也取得了显著的提升。这一结果表明，我们的方法能够有效克服水下散射带来的图像质量下降问题，从而实现更高质量的水下三维重建。

SfP-Underwater方法的鲁棒性是其另一大优势。在三种不同的散射环境中，该方法均表现出良好的性能，能够稳定地进行三维重建。这一特性使得该方法不仅适用于实验室环境下的研究，还能够在实际水下任务中广泛应用。例如，在水下机器人导航和水下目标识别任务中，SfP-Underwater方法能够提供更准确的表面信息，从而提高系统的感知能力和任务执行效率。

从研究贡献来看，本文的主要成果包括三个方面。首先，我们提出了一种基于注意力机制的SfP-Underwater方法，通过设计的DPSFormer编码器实现局部与全局特征的融合，并通过PSCAF模块进行多级信息融合，从而提升图像的清晰度和重建精度。其次，我们构建了首个SfP-Underwater数据集，该数据集包含水下散射环境中的目标极化图像、对应的地面真实法线图以及视角编码信息，为水下三维重建研究提供了重要的数据支持。第三，我们的方法是首个在水下散射数据上进行训练的SfP方法，不仅在水下散射环境中表现优于现有方法，而且在处理不同目标和水下散射条件时也保持了良好的鲁棒性。

在实际应用中，SfP-Underwater方法的优势体现在多个方面。首先，它能够有效抑制水的散射效应，提高图像的清晰度和对比度，从而增强对目标表面的感知能力。其次，该方法能够在水下环境中实现高质量的三维重建，为水下机器人、水下测绘和水下考古等应用提供了重要的技术支持。此外，SfP-Underwater方法不需要额外的校准数据，也不依赖于多视角信息，从而简化了实验流程，提高了实际应用的可行性。

从技术角度来看，SfP-Underwater方法在数据处理和特征提取方面进行了多项创新。首先，DPSFormer编码器通过双池化机制，能够更有效地提取目标的局部和全局特征，从而提高特征表达的丰富性。其次，PSCAF模块通过并行空间与通道注意力机制，能够实现对深度特征的融合，增强网络对高频率区域的感知能力。这种设计不仅提升了图像的清晰度，还增强了对复杂水下环境的适应性。

此外，我们还对SfP-Underwater方法进行了详细的分析和验证。通过在不同水下散播条件下进行实验，我们发现该方法能够稳定地进行三维重建，即使在高噪声和低对比度的水下环境中也能保持较高的重建精度。这一结果表明，SfP-Underwater方法不仅适用于实验室环境下的研究，还能够在实际水下任务中广泛应用。

从研究意义来看，SfP-Underwater方法的提出不仅推动了水下三维重建技术的发展，还为水下光学成像技术提供了新的思路。通过结合极化成像与深度学习技术，该方法能够在水下环境中实现更高质量的图像处理和三维重建，从而为海洋科学、环境监测和水下工程等领域提供了重要的技术支持。此外，该方法的鲁棒性和高效性也为未来水下成像技术的发展奠定了基础。

在技术实现过程中，我们特别关注了模型的效率和鲁棒性。通过优化DPSFormer编码器和PSCAF模块的设计，我们确保了模型在处理水下散射图像时的高效性，同时提高了对不同散射条件的适应能力。此外，我们还对模型进行了详细的训练和验证，确保其在不同水下散射环境中均能保持较高的重建精度。这一过程不仅提高了模型的性能，还为水下三维重建技术的进一步发展提供了重要的参考。

从研究方法来看，SfP-Underwater方法的提出是基于对水下光学成像技术的深入理解。通过结合极化成像与深度学习技术，我们能够更有效地提取目标的表面信息，并实现更高质量的三维重建。这一方法不仅克服了水下散射带来的图像质量下降问题，还提高了对复杂水下环境的适应能力，为水下三维重建技术的发展提供了新的思路。

在实际应用中，SfP-Underwater方法的鲁棒性使其能够在多种水下散射环境中稳定运行。例如，在不同水下散射条件下的水下机器人导航任务中，该方法能够提供更准确的表面信息，从而提高系统的感知能力和任务执行效率。此外，该方法的高效性也使其能够在资源受限的水下环境中广泛应用，为水下三维重建技术的推广提供了重要的支持。

综上所述，SfP-Underwater方法在水下光学三维重建领域具有重要的研究价值和应用前景。通过结合极化成像与深度学习技术，该方法能够有效抑制水的散射效应，提高图像的清晰度和对比度，从而实现更高质量的三维重建。同时，该方法的鲁棒性和高效性也使其能够在多种水下散射环境中稳定运行，为水下三维重建技术的发展提供了新的思路和解决方案。未来，随着水下光学成像技术的不断进步，SfP-Underwater方法有望在更多实际应用中发挥作用，为水下科学研究和工程实践提供重要的技术支持。