近日，中國科學院西安光機所光譜成像技術研究室王荃研究員團隊在計算成像領域取得重要研究進展，相關成果發表于Pattern Recognition。論文第一作者為西安光機所博士生尹建福，論文通訊作者為王荃研究員，中國科學院西安光機所為第一完成單位。
針對運動視頻快照壓縮成像中，幀間劇烈變化、時域復用偽影等傳統方法難以解決的核心瓶頸，團隊創新性提出基于“漸進式退化估計與去噪（PDE?D）”主干網絡的深度展開框架，為動態場景高質量重建提供全新技術路徑。
該框架在結構設計上實現了關鍵突破：采用逐級展開架構，在每一階段協同引入“退化估計”與“去噪”模塊。
“退化估計”模塊聚焦于非適定反演問題中不可避免的重建偏差，利用可學習的殘差校正機制對二維測量數據進行精細修正，有效抑制非均勻偽影；
“去噪”模塊創新性地引入“自適應時空協同”機制，在無需顯式對齊操作的前提下，實現時序信息的一致性約束與細節恢復，大幅提升了算法在復雜運動場景中的表現能力。
圖：視頻 SCI 系統的框架（左上）以及PDE-D方法，在保持高效率的同時，其性能超越了當前主流前沿算法（右上）。其余部分（中下）展示了PDE-D方法中間輸出過程中重建效果的逐步提升，尤其是在運動區域。
在模擬數據集及真實世界灰度基準數據集的系統評測表明，該方法在重建精度、運動魯棒性及計算效率等多項關鍵指標上均優于當前主流前沿算法，綜合性能突出。
尹建福解釋，“用貓咪跳躍舉個例子，傳統拍照連拍8次要按8次快門，約占16MB內存，還容易錯過動作。快照壓縮成像拍一次就能記下全過程，8幀還不到0.7MB，可多個畫面疊在一起，就會模糊重影，貓跳得越快越亂。我們的新算法能邊修正誤差邊去噪，不用復雜對齊，就能把糊掉的畫面重新變清晰。”
該研究成果有望應用于智能交通監控、自動駕駛感知、公共安全監測、醫療動態成像以及工業高速檢測等多個領域，可在低照度或高速運動條件下實現更清晰、更高效的信息獲取與分析，為提升城市運行安全、醫療診斷水平和智能制造能力提供有力支撐。
王荃研究員團隊長期深耕計算機視覺與生物醫學成像、腦機智能等交叉方向：圍繞復雜動態場景感知與高維信息獲取關鍵問題，構建了從理論建模到應用實現的系統化研究體系，在物理約束深度學習與跨模態表征等方面持續取得突破，相關成果發表于CVPR、Neuroimage等會議及期刊；圍繞攻關快照壓縮成像中的單次曝光多幀信息獲取中的時域混疊、動態退化難題，提出融合物理先驗與深度展開的高性能重建方案，大幅提升復雜場景時空分辨率與重建質量，為高速觀測、生物醫學成像等領域的應用落地提供核心支撐。相關成果發表于Signal Processing等。
