基于拉普拉斯金字塔神经网络的屏下摄像头图像复原技术研究

【编辑推荐】本文提出LPUDC模型，首次将拉普拉斯金字塔分解与深度引导滤波（DGF）模块结合，针对屏下摄像头（UDC）成像中的低频衰减（如亮度/色偏）和高频衍射伪影（如条纹模糊）进行多尺度修复，在POLED和TOLED数据集上超越现有PSF-based/PSF-free方法，为提升全面屏设备成像质量提供新范式。

　　

Highlight

屏下摄像头（UDC）图像复原领域面临两大挑战：①透明层导致色彩偏移和整体光强损失；②OLED层引发复杂衍射效应产生高频伪影。传统基于点扩散函数（PSF）的方法受限于物理建模精度，而端到端深度学习方案又难以兼顾多频段退化特征。

Network Architecture

LPUDC创新性采用三级拉普拉斯金字塔架构：

• 低频分支：通过编解码结构校正全局色偏与亮度衰减

• 高频分支：采用残差密集块抑制衍射条纹和结构噪声

• 深度引导滤波（DGF）模块：首次将该技术引入UDC领域，利用低频特征指导高频重建，显著提升边缘锐度（如发丝细节）

Datasets

在POLED（RGBG PenTile阵列）和TOLED（透明OLED）数据集测试中，本方案对OLED像素非均匀性引起的马赛克伪影消除效果尤为突出，PSNR指标提升达2.7dB。

Conclusion

该框架首次实现UDC图像的多频段协同修复，DGF模块的引入使高分辨率重建效率提升40%，为移动设备医学影像采集（如皮肤镜图像）提供新的技术路径。

（注：翻译部分严格遵循了术语规范，如PSF、DGF等缩写保留原文大小写，使用_{/^{标注数学符号，并采用"伪影""编解码"等医学影像领域常用表述）}}