用于光子级分块压缩感知成像的时空深度学习网络
光学
2025-03-14 v2
摘要
在本文中，我们提出了一种用于光子级分块压缩感知成像的时空深度学习网络，旨在解决光子级大像素动态成像与跟踪中的信号丢失、伪影和噪声干扰等挑战。该方法将时域和频域的信息与 U-Net-LSTM 深度学习模型相结合，显著提高了高帧率下动态目标图像的恢复质量。实验结果表明，在使用 16 通道并行检测的情况下，可以实现每像素平均光子数小于 10 的动态目标成像，其中像素尺寸为 256*256，帧率为 200 fps。与传统的分块压缩感知成像相比，该方法将峰值信噪比提高到 38.66 dB，并将结构相似性指数提高到 0.96。在存在动态散射介质和静态复杂背景的情况下，我们成功实现了对两个进行复杂运动的目标的成像与跟踪。即使在目标相互重叠或遮挡的场景中，我们仍能分别重建每个单独目标的清晰图像。该方法为复杂环境中的大像素动态目标识别、跟踪和实时成像提供了有效的解决方案，在遥感、军事侦察等领域具有广阔的应用前景。
关键词
引用
@article{arxiv.2503.07143,
title = {Spatiotemporal Deep Learning Network for Photon-Level Block Compressed Sensing Imaging},
author = {Changzhi Yu and Shuangping Han and Kai Song and Liantuan Xiao},
journal= {arXiv preprint arXiv:2503.07143},
year = {2025}
}
备注
19pages, 5 figures, other essential info