基于自适应稀疏成像网络的快速高光子效率3D成像技术

《Optics & Laser Technology》：Fast photon-efficient 3D imaging with an adaptive sparse imaging network

　　•ASINet能够在低SBR条件下实现快速、高光子效率的3D成像。•自适应熵正则化机制可优化波形并抑制噪声。•借助空间相关性，ASP和CGSE能够调整感受野，增强信号强度。•ASINet的稀疏计算架构有助于实现快速成像。•基于物理先验的设计提升了ASINet的可解释性和泛化能力。

引言
作为新一代主动视觉感知系统，SP-LiDAR因其单光子级光学灵敏度和皮秒级时间分辨率，被广泛应用于生物医学[1]、[2]、大气监测[3]、[4]以及地形测绘[5]、[6]等领域。然而在实际成像过程中，由于发射的激光脉冲能量会随距离迅速衰减，且目标表面的后向散射较弱，单光子雪崩二极管（SPAD）[7]接收到的回波光子极为稀少。同时，强烈的环境光以及SPAD的暗计数现象会导致记录数据中出现大量错误计数。因此，如何从如此低SBR的数据中重建出精确的深度图像是一个重要挑战。

为应对这一挑战，早期的研究主要致力于开发基于统计模型的优化算法[8]、[9]、[10]、[11]、[12]、[13]、[14]。例如，Shin等人[15]、[16]提出了基于总变分（TV）正则化的约束最大似然估计算法[17]，而Rapp等人[18]则采用自适应时间窗技术将信号与噪声分离，从而恢复深度和强度信息。尽管这些方法能够在一定程度上恢复深度信息，但它们需要复杂的参数调优，且当数据的SBR降低时，其性能会显著下降。

近年来，数据驱动的深度学习方法在高效光子成像领域展现出了巨大潜力[19]、[20]、[21]、[22]、[23]、[24]。Lindell等人[25]首创了端到端的神经网络，可直接从光子计数立方体中重建深度图像。不过，该网络并未针对光子数据的物理特性进行优化，因此在处理低SBR数据时性能会大幅下降。Peng等人[26]设计了非局部神经网络，通过提取光子的长程时间相关性来提高重建精度，但非局部模块巨大的计算开销和内存消耗可能会降低网络的效率。Cai等人[4]设计的神经网络则利用了光子的统计先验知识，具备较强的数学可解释性和可扩展性。尽管上述密集型卷积网络在提升成像质量方面取得了显著成果，但在处理包含大量无效零体素的光子计数立方体时，它们会产生巨大的内存消耗和冗余计算，难以满足动态场景下实时成像的需求。为解决这一问题，Yao等人[27]提出了基于稀疏卷积神经网络的方法[28]、[29]，该方法仅对非零的活跃体素进行计算，从而大幅降低计算复杂度，实现快速成像。然而，现有的稀疏计算架构在面对复杂场景时存在明显局限：一方面，传统的稀疏卷积受固定空间感受野的限制，无法动态适应复杂场景；另一方面，在特征聚合过程中，传统稀疏卷积会对感受野内的所有活跃体素进行统一处理。由于低SBR条件下的光子计数立方体会受到随机、独立分布的背景噪声的严重干扰，若对这些离散的噪声体素与真实信号体素一起进行统一特征融合，会影响深度重建的最终质量。

为此，本文结合光子的物理先验知识，设计了一种自适应稀疏成像网络（ASINet）。首先，基于光子沿时间轴的高斯统计先验，我们设计了自适应信号净化模块，以实现波形的自适应优化和噪声抑制。其次，我们构建了信号补全模块，用于填补数据空缺，从而减少重建误差。最后，利用光子的空间邻域相关性，我们设计了深度重建模块，实现最优感受野的动态分配和自适应信号增强，最终重建出精确的深度图像。

本文的主要贡献如下：
1）我们提出了一种基于物理先验的自适应稀疏成像网络，旨在解决低SBR条件下高效光子成像中存在的性能下降和成像速度缓慢的问题。
2）我们设计了基于动态阈值门控的自适应熵正则化机制，可实现波形的自适应优化和噪声抑制。该机制不仅能显著减少冗余体素的数量，还能提高重建精度，进而提升网络的总体计算效率。
3）我们构建了深度重建模块，该模块结合了自适应空间感知器和基于相关性的信号增强器，可实现最优感受野的动态分配和自适应信号增强，从而精准重建目标深度。
4）我们在模拟数据和真实数据上对所提方法进行了全面评估。实验结果表明，该方法在成像质量和成像速度之间实现了最佳平衡，性能优于现有最先进方法，同时还具备较强的泛化能力。

问题定义
在高效光子成像中，时间轴被划分为T个离散的时间区间，探测器在每个空间位置（i,j）记录的光子计数直方图可表示为hi,j∈RT。通过汇总视野（FOV）内的光子计数直方图，可以构建出一个3D光子计数立方体H∈RT×M×N，其中M×N代表系统的空间分辨率。在单一表面假设下，光子计数立方体H被用于恢复目标的深度。

网络架构
如图1所示，所提出的ASINet采用了三级级联式数据处理流程，依次包括信号净化、信号补全和深度重建三个阶段。首先，原始的光子计数立方体被输入到信号净化模块，由配备自适应熵正则化的子流形稀疏U-Net（SSU-Net）[30]、[31]、[32]、[33]进行处理，输出经过净化的计数立方体。随后，这些中间数据会被输入到信号处理模块……

模拟数据评估
在本节中，我们首先介绍数据模拟方法、实现细节以及评估指标，然后展示在模拟数据上的实验结果。

真实数据评估
在本节中，我们首先展示在公开的真实数据上的实验结果，随后使用我们自行搭建的SP-LiDAR系统进行进一步验证。

结论
本文提出了一种基于物理先验的神经网络ASINet，该网络包含具有自适应熵正则化的信号净化模块、用于修复数据缺口的信号补全模块，以及整合了ASP和CGSE功能的深度重建模块，有效地将光子的物理先验知识融入到了神经网络的设计之中。在模拟数据和真实数据上的全面实验表明，ASINet不仅在极端模拟环境下具有很强的抗噪声能力……

作者贡献声明
王帅林：论文撰写——初稿编写、研究工作、数据整理、概念构思。孙子文：研究工作、数据整理。杨转泽：形式分析、数据整理。马飞凡：可视化处理、结果验证。焦中兴：项目监督、资源协调、项目管理。张岩：项目监督、资源协调、项目管理。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

王帅林|孙子文|杨转泽|马飞凡|焦中兴|张岩