PolMT：在低光环境下，对偏振图像进行去噪处理以用于测量相关应用

《Optics & Laser Technology》：PolMT: Denoising polarization images for measurement related application in low light environments

极化图像在低光环境下易受噪声干扰导致极化信息失真，传统方法难以有效恢复。本文提出基于Stokes域的双分支网络PolMT，通过Transformer捕捉长程依赖与多尺度特征融合优化整体结构相似性，结合残差密集块处理边缘细节与极化微分信息。实验表明该方法在合成与真实数据上显著提升极化参数（DoLP/AoP）恢复精度，使三维形貌重建误差降低30%，有效解决了极化通道间误差传播和局部特征建模难题。

　　本文探讨了在低光环境下对偏振图像进行去噪的方法，旨在提升偏振信息的准确性和可靠性。偏振特性在诸如仿生导航和偏振成形（Shape from Polarization, SfP）等应用中具有独特的价值。然而，由于光子计数有限和噪声的存在，偏振图像的测量误差可能会影响偏振分析的结果，从而对多种测量相关应用造成不利影响。因此，研究如何有效去除偏振图像中的噪声成为一个重要课题。

现有的偏振图像去噪方法在处理多通道偏振图像时，往往忽略了通道间的误差补偿以及跨通道的长距离依赖关系。为了解决这一问题，本文提出了一种名为PolMT的双分支网络结构，该结构通过多尺度融合策略，在斯托克斯（Stokes）域中对偏振图像进行去噪处理。斯托克斯域能够更好地反映同一噪声源在不同偏振通道中的误差传播特性，从而为去噪提供更全面的信息基础。

PolMT网络由两个子网络组成：总光强度网络（Total Light Intensity Network, TLI-Net）和差分光强度网络（Differential Light Intensity Network, DLI-Net）。TLI-Net基于Transformer模型，通过捕捉跨通道的长距离依赖关系，实现对总光强度图像（S?）的全局结构相似性恢复。Transformer的自注意力机制能够同时考虑不同位置的偏振信息，从而在低光环境下有效建模全局特征。为了提升特征聚合的效率，本文采用了一种高效的前馈网络结构，并结合多尺度Transformer融合策略，生成更准确的相似性图。此外，为了避免传统softmax机制在特征聚合过程中可能丢失的有效信息，本文引入了ReLU函数，使得模型在恢复全局结构相似性的同时，能够保留关键特征。

DLI-Net则基于残差密集块（Residual Dense Block, RDB）结构，专门用于恢复S?和S?两个差分光强度图像中的边缘敏感信息。这两个图像通常包含更丰富的偏振差异信息，因此需要更精细的局部特征提取。通过多尺度残差密集结构，DLI-Net能够捕捉不同尺度下的局部偏振差异，从而显著提升网络对边缘信息的感知能力。该结构不仅增强了对图像细节的恢复，还通过建模不同差分光强度图像之间的特征差异，实现了对偏振信息的更精准补偿。

在实际应用中，偏振图像的去噪对于准确的偏振成形至关重要。例如，在户外场景中，偏振特性是估计物体表面法线方向的重要依据。本文通过实验验证了所提方法的有效性，结果显示，与现有的SOTA方法相比，如IPLNet、Polar-aware和ColorPolarNet，PolMT在恢复表面法线信息方面表现更优。此外，本文在合成数据和真实数据上进行了广泛测试，进一步确认了所提方法在不同场景下的鲁棒性和适用性。

研究还指出，偏振成像系统中的误差主要来源于光子计数不足、探测器读出噪声以及偏振校准矩阵的误差。光子计数的减少会显著影响图像的信噪比，尤其是在低光条件下，光子的散射和丢失会导致偏振信息的严重失真。而探测器的像素间敏感度不均也会加剧噪声的影响。因此，如何在去噪过程中有效补偿这些误差，并恢复偏振信息的完整性，是本研究的核心目标。

本文提出的PolMT方法在处理多通道偏振图像时，充分利用了斯托克斯域中的信息交互和长距离依赖关系。通过将图像从强度域转换为斯托克斯域，模型能够更全面地分析不同偏振通道之间的相互作用，从而实现更高效的误差补偿。此外，通过结合Transformer模型的全局建模能力和残差密集块的局部特征提取能力，PolMT能够在不同尺度上有效恢复偏振信息，同时保持强度和偏振信息之间的平衡。

实验结果表明，PolMT在低光环境下能够显著减少噪声对偏振信息的影响，从而提升偏振成形的准确性。在真实数据集上的测试进一步验证了该方法的实用性，表明其在复杂场景下的表现优于现有方法。此外，本文还通过消融实验分析了各个模型组件的重要性，结果显示，TLI-Net和DLI-Net的结合是实现高质量偏振图像去噪的关键。

总体而言，本文提出了一种创新的双分支去噪网络结构，能够在斯托克斯域中有效处理多通道偏振图像的噪声问题。该方法不仅提升了偏振信息的准确性，还增强了图像的全局结构相似性和边缘敏感性，为仿生导航、3D测量、组织检测和目标识别等应用提供了更可靠的数据支持。未来的研究可以进一步探索如何在更高动态范围或更复杂的噪声环境下优化该方法，以适应更广泛的应用需求。