水下相机的“放大镜”：图像重构技术揭示细节之美

近日，西北工业大学光电与智能研究院李学龙教授团队围绕“临地安防”中的涉水视觉领域，开展了前端光电成像结合后端智能处理的一体化探索，尝试打通从光电数据获取到数据智能处理的感算通道。以图像局部化学习理论为指导，在光电成像前端，利用智能分块算法对调制光场进行边缘精细化处理，缓解了传统涉水光电成像中图像边缘信息模糊的难题，提升了图像重构的质量，形成了光电成像数据精确获取与处理的一体框架，为多模态涉水视觉数据的感知和处理提供了技术支撑，是“临地安防”的典型应用之一。

地球表面大约70%被海洋覆盖，海洋中蕴藏着未知的生物和巨大的能源资源，对地球生命的延续起着重要作用。涉水智能成像技术在海洋科考、资源勘探、地貌绘制、水下考古等领域具有重要的应用前景。然而，受深海环境极端、水体吸收散射的影响，尤其是湍流水体的强散射作用影响，传统点对点式成像无法完整保存目标的空间信息。就像图中的潜水员，使用传统相机，图像的细节信息往往被淹没于背景散射光中，造成图像信噪比严重下降，很难拍出高清画质的照片。为解决该问题，西北工业大学光电与智能研究院李学龙教授团队围绕临地安防，以边缘增强的水下智能成像为目标，展开了人工智能赋能的光电成像技术研究，为边缘信息高质量重构提供了新途径。

IEGI方法框架图

团队提出了边缘信息增强的智能成像方法（ILNet），图1展示了ILNet的原理框架。基于以保持图像信息完整性为目标的张量结构化表征理论，利用智能成像的抗干扰性以及深度网络的信息提取能力，构建多模态认知计算框架，解决传统成像方法在图像智能重构时，边缘信息严重损失的问题，在模拟真实的湍流水环境中，实现了低采样率、边缘增强的目标图像智能重构。此外，ILNet使用探测到的光强信息为标签训练网络参数，极大节约了数据采集成本，提高了未训练场景下的泛化能力，为水下强噪声环境的智能光电成像提供了技术储备。相关工作发表在Optics & Laser Technology上。

ASF-Transformer方法示意图

在此基础上，团队结合物理先验和智能算法，提出了空域频域交替学习的湍流畸变修正方法（ASF-Transformer），有效降低了图像受大气湍流影响形成的噪声、畸变和伪影，提升了图像重构的质量。该方法对成像原理和分布传播理论进行整合，设计了自相关注意力机制来进行频域学习，并利用多头转置注意力机制来减少空域学习的计算量，通过大规模数据的监督学习，显著缓解湍流对光学成像的影响，性能达到国际领先水平。相关工作发表在Optics Express上。

近年来，智能光电成像技术快速发展，应用场景不断拓展深化。作为光电领域与智能领域的交叉技术，智能光电成像打通了从数据获取到数据处理的感算通道，能够有效缓解湍流、散射等复杂多变的场景干扰，为涉水探测等临地安防应用提供了新的技术支撑。

涉水光学实验室