基于偏移量的估计与校正技术在纳秒级激光门控图像恢复中的应用

《Expert Systems with Applications》：Offset-Driven Estimation and Correction for Nanosecond-Scale Laser-Gated Image Restoration

基于物理的激光门成像信号修复框架，提出频率分离与光强偏移校正机制，在构建首个门控成像基准数据集（GateIR）的实验中，静态场景下达到35.55 dB PSNR和0.931 SSIM，模型参数仅3.18M，显著提升下游目标检测精度。

　　

林兵何|彭鹏皮|张庚辰|田青|刘子怡|刘洪民

北京科技大学智能科学与技术学院，北京，100083，中国

摘要

高精度纳秒级激光门控（NSLG）成像所需的超短门宽度本质上会导致极端的光子匮乏问题。虽然使用高增益放大器来补偿微弱的返回信号，但它们不可避免地会引入严重的随机增益噪声和非线性亮度偏移。这些由硬件引起的退化严重影响了图像质量，并限制了NSLG系统的场景感知能力。然而，由于缺乏针对这些特定物理特性的恢复基线，改进这些信号的工作一直受到阻碍。为了解决这一问题，我们提出了GateIR-CorrNet，这是一个轻量级的、考虑物理特性的恢复框架，采用了一种新颖的偏移驱动校正方法。通过利用频率分离策略，我们的方法明确地将低频强度漂移与高频纹理噪声分开。随后，它采用亮度偏移估计和校正机制来适应性地修正像素级的强度偏差，同时保持结构细节。为了进行严格的评估，我们提出了GateIR，这是一个全面的真实世界基准测试集，包括静态、干扰和对象检测子集，分别用于系统地评估恢复的保真度、在物理退化下的鲁棒性以及下游的感知效用。实验表明，GateIR-CorrNet在静态子集上取得了先进的性能（35.55 dB PSNR，0.931 SSIM），且计算成本最低（3.18 M参数，8.44 GFLOPs）。此外，它显著提高了下游对象检测的准确性，验证了其作为下一代NSLG成像系统的实用基线的有效性。

引言

纳秒级激光门控（NSLG）成像已成为在恶劣环境中构建鲁棒智能自主系统的关键感知传感器（Hadfield等人，2023年）。它具有穿透遮挡物（例如雾、烟）的独特能力，而传统的被动传感器则无法做到这一点，为下游的专家决策提供了可靠的数据输入（Choudhary、Dey，2026年；Wang、Sui、Wang、Liu、Chen，2024b年；Zhang、Guo、Zhou、Zhang、Lin、Polat、Alenezi、Alhudhaif，2024a年；Zhang、Gong、Feng、Chu、Liu，2024b年）。与标准相机不同，NSLG充当一个精确的空间-时间滤波器，通过同步激光发射和传感器门控来分离目标光子与背散射光。为了实现精确测距所需的米级深度分辨率，门宽度必须压缩到纳秒级别（≤3 ns）（Lapauw、Ingelberts、Van den Dries和Kuijk，2019年）。然而，这种高时间分辨率引入了一个根本性的权衡：它使成像系统处于极端的光子匮乏状态。为了补偿微弱的返回信号，使用了高增益放大器，但它们不可避免地会引入严重的放大器诱导退化。

因此，理解这种退化的物理本质对于有效恢复这些退化信号至关重要。从视觉上看，NSLG成像中的退化类似于低光图像增强（LLIE）（Lu、Li、Yin，2024年；Yin、Liu、Zhang、Zhao、Zhou，2025年；Zeng、Wang、Zhang、Yin、Zeng、Zhang、Wang、Jiao、Wang、He等人，2025年）或通用图像去噪方法（Liu、Cui、Liu、Strand、Yin、Knoll，2025a年；Wang、Cun、Bao、Zhou、Liu、Li，2022年；Zamir、Arora、Khan、Hayat、Khan、Yang，2022年）中讨论的退化问题。值得注意的是，最近的LLIE和去噪方法联合研究已经探索了这种耦合退化（Makwana、Deshmukh、Susladkar、Mittal、Teja，2024年；Shi、Liu、Zhang、Tian、Xia、Fu，2024年；Wang、Cui、Li、Ruan、Zhu、Ren，2024a年）。这些方法在自然低光摄影的背景下研究了这种耦合机制。

尽管NSLG图像在视觉上类似于低光和噪声图像，但它们在形成和退化特性上与自然光图像有根本的不同。自然光图像通常在宽带、非相干的光照下捕获，例如阳光或灯光，使用连续的传感器曝光。它们的退化通常是由于光照不足加上统计传感器噪声造成的。相比之下，NSLG图像是由极短脉冲、窄带、高相干激光光照射并通过时间门控采集得到的。关键的是，NSLG成像链包括一个图像放大器，该放大器以高增益放大微弱的返回信号，引入了由硬件引起的退化，主要表现为强度漂移和增益噪声。鉴于这些根本差异，直接将现有的LLIE或去噪方法应用于NSLG图像并不简单。硬件引起的漂移可能被误认为是光照变化，导致过度增强。同时，增益噪声与场景纹理紧密纠缠，因此传统的去噪方法可能会过度平滑精细结构。因此，尽管这些方法在自然低光图像上表现良好，但它们无法完全解决NSLG图像的耦合退化问题。

如图1中的空间强度剖面所示，原始传感器输入（灰色曲线）与GT（黑色曲线）存在不规则的偏差，这不仅仅是随机噪声，而是信号依赖性波动的复杂耦合。具体来说，在低频成分中，信号受到显著的强度漂移影响，与真实场景辐射明显偏离；同时，在高频成分中，真实的结构纹理被严重的波动掩盖，使其无法与放大器引起的噪声区分开来。这种非线性偏移扭曲了场景的光度完整性，对现有的图像恢复范式提出了严峻挑战。

(a) LLIE方法的误解：LLIE取得了显著进展，最近的研究提出了基于扩散的模型（Zeng等人，2025年）并结合了物理先验（Cai、Bian、Lin、Wang、Timofte、Zhang，2023年；Yin、Liu、Zhang、Zhao、Zhou，2025年）。这些方法大多依赖于Retinex理论来分解反射率和光照。然而，如图1(a)所示，将这些通用先验应用于NSLG会暴露出一个关键限制：它们倾向于将随机增益波动误解为固有的光照不均匀性。这导致了对基础强度的错误估计，从而引起严重的过度增强和伪影放大。

(b) 通用去噪方法的不兼容性：另一方面，通用恢复方法（Liu、Cui、Liu、Strand、Yin、Knoll，2025a年；Wang、Cun、Bao、Zhou、Liu、Li，2022年；Zamir、Arora、Khan、Hayat、Khan、Yang，2022年）主要关注统计噪声去除或频域优化。虽然它们在抑制高频噪声方面有效，但未能考虑到放大器固有的长距离强度偏移。如图1(b)所示，这些方法倾向于过度平滑信号，牺牲了关键的门特定结构细节以及噪声。

(c) 我们方法中的双频校正：为了克服这些限制，我们提出了图1(c)中所示的偏移驱动范式。与上述方法不同，我们的方法明确地将频率依赖的退化分开。它通过校正低频域中的非线性偏移来使基础强度与GT对齐，同时在高频域中恢复清晰的门特定纹理，而不会放大噪声。

我们的主要贡献总结如下：

•

我们提出了GateIR-CorrNet，这是一个为纳秒级激光门控成像量身定制的、考虑物理特性的恢复框架。它利用偏移驱动校正范式，明确地将放大器引起的亮度偏移与场景的固有纹理分开，有效解决了NSLG成像中非线性退化的根本瓶颈。

•

我们设计了一种双分支亮度偏移估计（LSE）机制，以分别诊断频率特定的退化，因为现有的恢复先验通常无法区分随机增益波动和真实场景辐射。此外，我们部署了一个联合亮度偏移校正（LSC）模块，以自适应地重新校准像素级的强度，确保高保真度的结构恢复，而不会放大噪声。

•

我们构建了GateIR，这是第一个专门用于NSLG恢复的全面真实世界基准测试集，包含成对的原始/GT样本和下游任务注释。广泛的实验证实了我们的方法在各种干扰场景中的泛化能力以及其在显著提升下游对象检测性能方面的有效性，为智能系统提供了可靠的感知基线。

相关工作

相关工作

本节系统回顾了激光门控成像和图像恢复的最新进展。对于激光门控成像，我们回顾了成像机制、历史发展和公开可用的数据集。对于图像恢复，我们概述了主流方法的技术路线和实证性能，并进一步分析了它们在激光门控成像中的适用性和局限性。这一分析为后续的方法设计和实验提供了理论基础

GateIR-CorrNet

如图3所示，GateIR-CorrNet是一个偏移驱动的校正网络，旨在将单个NSLG原始曝光映射为与16帧累积GT相当的高保真估计（采集协议详见第4.2节）。它专门用于减轻放大器引起的退化，这种退化表现为随机增益不均匀性和与场景结构耦合的空间变化波动。其核心前提是估计

基准测试概述

我们介绍了GateIR，这是第一个专门用于NSLG图像恢复的基准数据集¹。GateIR旨在弥合硬件能力和算法处理之间的差距，涵盖了从受控静态环境到复杂真实世界干扰条件的各种场景。这些子集的代表性示例在图4中进行了可视化。对于静态子集，我们捕获了

实验

在本节中，我们对提出的GateIR-CorrNet在GateIR基准测试集上的性能进行了系统评估。所有模型都在静态子集上进行了训练和验证，其鲁棒性和泛化能力还在干扰子集上进行了进一步评估。除了恢复保真度外，我们还研究了改进的图像质量如何有助于下游对象检测任务的性能（Zheng、Zhou、Shang、Wei、Pu、Luo、Jia，2025年；Zhou、Li、Yang、Wei、Pu、Luo、Jia，

结论

在本文中，我们提出了GateIR-CorrNet，这是一个专门用于减轻NSLG成像中放大器引起的退化的、考虑物理特性的恢复框架。方法上，我们的方法首先利用频率分离策略明确地将全局强度漂移与高频纹理噪声分开。随后，它使用累积特征生成模块通过模拟多次曝光累积来合成初步增强的估计。

CRediT作者贡献声明

林兵何：方法论、数据策划、撰写——原始草稿、撰写——审阅与编辑。彭鹏皮：概念化、撰写——原始草稿、撰写——审阅与编辑。张庚辰：资源、数据策划、撰写——审阅与编辑。田青：调查、资源。刘子怡：软件、可视化、数据策划、资金获取。刘洪民：监督、资金获取。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。