《Optics and Lasers in Engineering》：Aperture sampling and coarse-to-fine reconstruction for seamless parallel compressive sensing imaging
编辑推荐：
压缩感知成像通过稀疏特性实现高分辨率重建，但并行采样存在空间对齐误差导致接缝问题。本研究提出平行块孔径采样（PBAS），采用规则排列的孔径块进行独立信号采集，消除对齐误差并实现无缝重建。结合端到端粗到细重建网络，在低采样率下有效恢复全局与局部特征。实验表明PBAS在768×768分辨率下实现无缝重建，接缝指标降低超40%，支持大视场扩展。
作者：肖在红、李正焕、王冠、薛一豪、李家豪、贾一奇、蔡宇、邓华霞、龚星龙
中国科学技术大学先进技术研究院，安徽合肥，230031
摘要
压缩感知成像（CSI）能够从远少于香农-奈奎斯特极限的测量数据中重建高质量图像，但顺序采集方式限制了成像速度。现有的并行采样方法虽然提高了效率，但对空间错位仍然非常敏感，导致图像出现不连续性和可见的接缝。为了解决这个问题，提出了并行块孔径采样（PBAS）技术，该方法利用规则排列的孔径块对子区域进行完整且独立的信号采集，从而消除了照明和探测器之间精确对齐的需求，实现了无缝的高分辨率重建。为了在低采样率下保持图像质量，我们开发了一种端到端的粗粒度到细粒度重建网络，逐步细化全局特征并从稀疏测量数据中恢复细节。实验表明，PBAS能够实现无缝且结构一致的重建，与传统方法相比，基于梯度的接缝指标（HSGV和VSGV）降低了40%以上。PBAS在768×768分辨率下实现了无缝的高分辨率重建，并且可以通过使用更高分辨率的调制器扩展到更大的格式。结合粗粒度到细粒度重建网络，可以进一步减少所需的照明模式数量。这项工作为大规模视场和下一代计算成像提供了一种高分辨率、无伪影的并行CSI框架。
引言
压缩感知成像（CSI）是一种强大的计算成像范式，它将压缩感知理论[1]、[2]、[3]应用于光学信号的采集和重建。通过利用自然信号的稀疏性和非相干性，CSI能够在比传统香农-奈奎斯特采样极限更少的测量数据下恢复高保真图像。这种能力使得同时进行采集和压缩成为可能，减少了数据量，简化了存储和传输过程，并降低了硬件成本和复杂性。由于这些优势，CSI已成功应用于多种光学系统，如计算鬼影成像[4]、[5]、单像素成像[6]、[7]、高光谱成像[8]、[9]和太赫兹成像[10]、[11]。
尽管取得了进展，但传统的CSI通常依赖于顺序采集过程[12]、[13]，即每个照明模式仅由单个像素或有限数量的探测器捕获一次测量数据。随着图像分辨率的提高，这一过程变得效率低下，因为理论上重建一个包含M个像素的图像需要M个照明模式。由此产生的长调制时间和高硬件需求对扩展CSI到大规模视场和高分辨率场景构成了严重挑战。为了提高采样效率，人们探索了多种并行采集方案，包括基于块的单像素成像[14]、基于块的压缩感知成像[15]、并行单像素成像[16]、[17]和并行计算鬼影成像[18]。受这些研究的启发，引入了并行压缩感知成像（parallel CSI）的概念，即将全局投影划分为多个可以同时采样的子区域。通过在不同空间区域同时进行多次感知过程，parallel CSI可以使用与单个区域相同的采样量重建多个子图像，从而支持大规模视场[19]和高分辨率[21]、[22]、[23]成像。
然而，现有的并行采样方案通常依赖于全局编码，即每个照明模式覆盖整个视场。在这种配置下，每个子区域的测量结果与相邻区域的照明和检测结果相互耦合。这种全局投影容易引入区域间耦合，并对探测器和相应子区域之间的对齐要求严格。因此，即使是微小的错位或校准误差也会导致信号采集不完全，从而在子区域边界产生可见的接缝、不连续性或质量下降[24]、[25]、[26]。因此，在实际的并行系统中实现高保真、无缝的重建仍然是一个重大挑战。
除了采样策略外，人们还广泛研究了重建算法以提高压缩感知成像的性能，尤其是在低采样率下。提出了一系列基于学习的重建方法，如深度展开网络[27]和卷积神经网络[28]。特别是粗粒度到细粒度的重建策略，可以从全局结构逐步恢复图像细节，从而在稀疏测量数据下平衡全局一致性和局部细节的保留。这些策略已在压缩感知成像中得到广泛应用，以实现高质量重建[29]、[30]。
在这项工作中，提出了一种名为并行块孔径采样（PBAS）的压缩感知成像投影策略来克服这一挑战。PBAS将全局投影划分为多个子块，每个子块对应一个具有规则排列孔径结构的独立采样单元。这种块孔径设计消除了由错位引起的截断，抑制了区域间的干扰，并实现了稳定的并行测量和无缝的子区域重建。为了在低采样率下保持重建质量，我们开发了一种端到端的粗粒度到细粒度重建网络，该网络首先恢复全局结构，然后细化局部纹理，使PBAS能够在使用更少的照明模式下实现稳健的高质量重建，为实际的高分辨率并行CSI提供了可扩展的解决方案。
方法
本研究提出了一个框架，以解决并行压缩感知成像在采样稳定性和重建质量方面的挑战。整体方法如图1和图3所示。具体来说，图1展示了优化的并行采样策略，确保了子区域间的稳定和高效采集；图3描述了端到端的粗粒度到细粒度重建网络，用于逐步恢复全局结构和局部细节。
仿真设置
作为训练集，使用了BSD500数据集[34]，该数据集包含丰富的自然图像和边缘信息，有助于提高模型的泛化能力。所有训练图像被随机裁剪成200个64×64像素的子图像。为了进一步增强数据多样性，还进行了随机垂直和水平翻转、灰度转换以及颜色抖动操作。每个子图像被划分为2×2个不重叠的块，每个块具有特定的空间大小。
成像系统设置
在这项工作中，采用了主动成像光学系统，如图5所示。在计算机上生成一系列结构化的照明模式，并将其投影到数字微镜装置（DMD，DLP V-7001）上，该装置将模式反射到目标场景上。每个模式调制的光线由传感器阵列（CMOS，AIC-231GM-USB）捕获，该传感器阵列的像素面积为约400×400像素。值得注意的是，这个检测区域小于最终成像区域。
讨论与结论
我们提出了一种名为并行块孔径采样的并行压缩感知采样策略，以提高并行CSI的成像质量和空间分辨率。通过优化采样模式，PBAS有效减少了传统并行压缩感知成像对精确硬件校准的依赖性，实现了无需精细探测器对齐的高分辨率和无缝成像。这种鲁棒性是通过引入独立采样单元来实现的。
补充材料
更多补充材料可以在在线的补充材料部分找到。
作者贡献声明
肖在红：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、软件开发、数据整理、概念构思。
李正焕：软件开发。
王冠：撰写 – 审稿与编辑、资金获取、形式分析。
薛一豪：可视化、形式分析。
李家豪：可视化、软件开发。
贾一奇：可视化。
蔡宇：数据调查。
邓华霞：撰写 – 审稿与编辑、资金获取。
龚星龙：项目监督、资源协调。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究工作。
致谢
本工作得到了国家自然科学基金（项目编号：12427802、12372187、12132016、52321003、12502222）、中国科学院人才引进计划（编号：KJ2090007006）、中央高校基本科研业务费（编号：WK2480000010、WK2090250108）、中国博士后科学基金（编号：2024M763151）以及中国博士后科学基金会博士后奖学金计划（编号：GZB20250466）的财政支持。
