基于多尺度卷积注意力U-Net和AMA校正的动态散射介质下的幽灵成像技术

《Optics and Lasers in Engineering》：Ghost imaging under dynamic scattering media based on multi-scale convolutional attention U-Net and AMA correction

光学成像技术在复杂散射介质中的应用存在非线性效应和采样率限制。本文提出MCAGI方法，集成AMA校正模块和EMCAD解码器，通过多尺度卷积注意力机制降低计算量，在32%采样率下PSNR提升2dB。

　　

Xikang Cui|Guohua Wu|Longfei Yin

北京邮电大学，中国北京

摘要

通过动态和复杂的散射介质的光学成像技术已在多个领域得到应用，从场景成像到细胞成像都有涉及。然而，由于不均匀散射的影响，复杂介质中的成像过程面临诸多挑战，这些挑战可能引发非线性效应。尽管一些研究试图解决部分动态和复杂散射场景中的非线性效应问题，但这通常需要较高的采样率，因此仍需要一个有效的解决方案。本研究提出了一种多尺度卷积注意力U-Net（MCAGI）方法，该方法结合了自适应移动平均（AMA）校正模块和高效多尺度卷积注意力解码器（EMCAD）。具体来说：AMA可以消除由散射引起的尺度因子干扰；EMCAD可以在低采样率下关注关键特征，同时降低计算成本。仿真实验和动态散射实验的结果表明，MCAGI+AMA方案在32%的采样率下仍能重建出清晰的图像，并且其峰值信噪比（PSNR）比AMA+GIDC方案高出2分贝。这项研究将为在复杂散射环境中扩展幽灵成像（GI）的应用提供支持。

引言

光学成像在散射介质领域有着广泛的应用，例如环境遥感[[1], [2], [3]]、雾天环境成像[4,5]以及水下成像[6]。散射介质在自然界中普遍存在，这阻碍了传统光学系统对场景信息的直接分析。传统光学成像通常依赖于光束的直线传播特性和最小体积衰减，通过传感器（如电荷耦合器件、CCD）检测辐射光束来捕捉现实世界场景中的目标对象或其位置信息。然而，当波传播路径中存在复杂散射介质（如恶劣天气、浑浊的水或厚实的生物组织）时，理想的或有效的成像效果会受到严重影响。近年来，幽灵成像（GI）作为一种极具前景的光学技术应运而生。它已被证明在通过散射介质成像方面具有优势，因为它可以有效减少散射介质的干扰，从而获得更清晰的图像[7,8]。该技术利用单像素探测器获取目标信息，因此在通过散射介质成像时具有固有的优势。目前，大多数关于散射介质中幽灵成像的研究集中在三个方面：不同类型散射介质对幽灵成像性能的影响[9]、位于不同光学路径中的散射介质对幽灵成像重建的影响[10]，以及散射干扰的补偿重建算法的设计[11]。

尽管幽灵成像在散射环境中已被证明有效，但这项技术仍存在一些固有的局限性。以往的幽灵成像研究主要集中在评估其在静态散射场景下的可行性和特性。然而，动态和复杂的散射现象（如动态浑浊的水）会产生一系列随机的尺度因子和扭曲的光波，从而导致非线性效应，对幽灵成像重建构成重大挑战[12]。当前关于动态散射幽灵成像的研究主要分为两条技术路线：光学结构优化和算法校正增强。在光学结构优化方面，Wang等人[13]在2025年提出了一种双偏振的共同路径幽灵成像方案，该方案使用正交偏振的光束共享相同的散射路径，通过光学设计来校正动态尺度因子，无需复杂的后处理算法，为光学级别的散射干扰抑制提供了新的思路。然而，这种方法依赖于定制的偏振光学系统，对散射介质的偏振响应特性要求较高，且仍无法突破传统相关成像的采样率瓶颈。在算法校正方面，一些研究报道了提高动态散射环境中幽灵成像重建质量的方法[[14], [15], [16], [17], [18], [19]]。Xiao[18]提出了一种时间校正（TC）方法，并在每次照明模式之前引入时间校正模式来解决散射问题。尽管TC方法在处理动态和复杂散射方面有一定效果，但其数据采集时间显著增加。Zhang等人[20]开发了一种基于物理模型的未训练神经网络（UNN）方法，该方法使用参考臂记录动态散射引起的斑点模式，并在对象臂同步获取单像素强度序列。将GI物理模型嵌入UNN中，即使在照明和检测路径同时受到干扰的复杂散射介质中也能实现精确的动态尺度因子校正，从而实现高质量重建。Song等人[21]提出了一种AMA校正模型，用于解决动态和复杂散射介质中的幽灵成像问题，并实现高分辨率成像。实验表明，该方法优于传统方法；然而，仍需要过采样桶值恢复才能获得高质量图像。因此，开发一种具有通用性和高效性的方法已成为当务之急。

在本文中，我们提出了一种多尺度卷积注意力U形网络（MCAGI）方法，该方法结合了AMA校正模块和高效多尺度卷积注意力解码器（EMCAD），以实现通过动态和复杂散射介质的高分辨率和高质量幽灵成像（GI）。在此，我们介绍了一种新型高效多尺度卷积注意力解码器（EMCAD）的网络架构。它是一个未经训练的网络，可以通过与U-net编码器和架构结合来高效处理GI，并与我们的数据处理方案集成。AMA模型用于有效应对动态散射带来的挑战，同时考虑计算效率和时间经济性。在校正了动态散射介质的影响后，校正后的测量光强度值可以进一步与MCAGI算法结合，以提高重建质量。

章节摘录

GI原理

在传统的幽灵成像中，光源被分束器分成参考臂光和对象臂光。在时间$t$，参考臂光的强度分布由区域阵列探测器记录为$I\left(\stackrel{?}{\rho };t\right)$对象臂光传播到物体表面，经过物体后（或反射后），由桶探测器记录为$B\left(t\right)$桶探测器信号的数学表达式为$B\left(t\right)$