该框架在结构设计上实现了关键突破：采用逐级展开架构，在每一阶段协同引入“退化估计”与“去噪”模块。“退化估计”模块聚焦于非适定反演问题中不可避免的重建偏差，利用可学习的残差校正机制对二维测量数据进行精细修正，有效抑制非均匀伪影；“去噪”模块创新性地引入“自适应时空协同”机制，在无需显式对齐操作的前提下，实现时序信息的一致性约束与细节恢复，大幅提升了算法在复杂运动场景中的表现能力。

PDE-D方法中间输出过程中重建效果的逐步提升。西安光机所供图

　　论文第一作者、西安光机所博士生尹建福解释，用猫咪跳跃举个例子，传统拍照连拍8次要按8次快门，约占16MB内存，还容易错过动作；快照压缩成像拍一次就能记下全过程，8帧还不到0.7MB。虽然很省空间，可多个画面叠在一起，就会模糊重影，猫跳得越快越乱；新算法能边修正误差边去噪，不用复杂对齐，就能把糊掉的画面重新变清晰。

　　这项新技术如同给相机装上了“超级解压大脑”，通过分布剥离，像修复名画一样精细，把原本糊成一团的影子变回清晰的猫。同时，通过算法直接感知猫咪的运动逻辑，把细节完美还原，让画面看起来丝滑连贯。

　　在模拟数据集及真实世界灰度基准数据集的系统评测表明，该方法在重建精度、运动鲁棒性及计算效率等多项关键指标上均优于当前主流前沿算法，综合性能突出。

　　该研究成果有望应用于智能交通监控、自动驾驶感知、公共安全监测、医疗动态成像以及工业高速检测等多个领域，可在低照度或高速运动条件下实现更清晰、更高效的信息获取与分析，为提升城市运行安全、医疗诊断水平和智能制造能力提供有力支撑。（中国科学报 李媛）

本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有。如因无法联系到作者侵犯到您的权益，请与本网站联系，我们将采取适当措施。