InverseNet：衡量压缩成像模组间算子不匹配与校准
计算机视觉与模式识别
2026-03-06 v1
摘要
最先进的 EfficientSCI 在其假设的前向算子偏离物理现实仅八个参数时便丢失 20.58 dB 信号，然而目前尚无基准对算子不匹配进行量化，后者是部署压缩成像系统的默认条件。我们引入 InverseNet，首个针对算子不匹配的跨模组基准，涵盖 CASSI、CACTI 和单像素相机。我们在四种情景（理想、不匹配、oracle 校正、盲校准）下评估 12 种方法，涵盖 27 个模拟场景和 9 组真实硬件捕获，发现：(1) 深度学习方法在不匹配情况下丢失 10-21 dB，消除其对经典基线的优势；(2) 各模组间的性能与鲁棒性呈反相关（Spearman r_s = -0.71, p < 0.01）；(3) 对算子不敏感的架构在无论校准质量如何，均无法挽回不匹配损失 0%；而算子条件化方法可挽回 41-90%；(4) 盲网格搜索校准在无需 ground truth 的情况下可挽回 85-100% 的 oracle 上限。真实硬件实验确认仿真趋势可迁移至物理数据。代码将在接受后公开。
引用
@article{arxiv.2603.04538,
title = {InverseNet: Benchmarking Operator Mismatch and Calibration Across Compressive Imaging Modalities},
author = {Chengshuai Yang and Xin Yuan},
journal= {arXiv preprint arXiv:2603.04538},
year = {2026}
}
备注
Benchmarking Operator Mismatch and Calibration Across Compressive Imaging Modalities