南昌大学团队《Optics and Lasers in Engineering》:扩散模型赋能非视域高分辨成像,3%采样率突破强散射障碍
非视域（NLOS）成像旨在重建被障碍物遮挡的场景，在自动驾驶、安防监控、医学成像及搜救等领域具有重要应用价值。传统成像依赖相机与目标间的直视光路，而NLOS场景中光经墙壁或地板等中介表面反射/散射后携带隐藏场景信息，需借助先进计算技术解码。现有方法如飞行时间法（ToF）受厚障碍物多重散射限制，鬼成像需大量测量导致实时性差，散射介质成像则局限于特定散射类型。傅里叶单像素成像（FSPI）凭借高动态范围和宽光谱适应性成为NLOS成像的有力候选，但在极低采样率下高频信息严重丢失，重建质量急剧下降。如何突破强散射环境与超低采样率的双重制约，实现高质量NLOS成像，是当前计算成像领域亟待解决的关键难题。2026年3月12日，南昌大学团队在光学工程领域权威期刊《Optics and Lasers in Engineering》（2026年第201卷）发表了题为"High-resolution Fourier single-pixel non-line-of-sight imaging employing diffusion model"的研究论文。该团队提出了一种融合扩散模型的非视域傅里叶单像素成像新方法，通过多层A4纸模拟强散射遮挡环境，利用单像素探测器采集透射光信号构建低频频谱，并引入预训练扩散模型进行迭代重建；创新性地将采集的低频频谱作为数据一致性约束嵌入逆向随机微分方程求解过程，有效恢复高频细节，在3%极低采样率及多层强散射条件下显著优于传统FSPI、U-Net及CycleGAN方法，为低采样率NLOS成像提供了全新技术路径。
图文简介
图1：系统方案与实物照片，展示激光光源、扩束镜组、DMD调制、多层A4纸散射介质及单像素探测的数据采集链路，以及扩散模型迭代重建流程。
图2：扩散模型驱动的高分辨迭代重建流程图，包括训练阶段（噪声样本到清晰样本的映射学习）和重建阶段（预测器-校正器迭代结合频域替换约束）。
图3：不同A4纸张数（1-6层）下硬币仿真数据集的重建结果对比，涵盖原始频谱、各方法重建频谱、重建图像及局部放大图（SSIM/PSNR定量标注）。
图4：1层、3层、6层A4纸条件下硬币实际迭代重建过程图（第1/200/400/600/800/1000次迭代），展示从随机噪声逐步恢复清晰图像及对应频谱演化。
图5：不同A4纸张数（1-6层）下硬币实验重建结果，对比传统FSPI（原始数据/归一化）与本文方法的频谱及图像质量（边缘强度/NIQE/BRISQUE指标）。
图6：重建结果局部放大及信号强度曲线分析，包含五个位置的半高全宽散点图与箱线图，证明本文方法具有更锐利的边缘和更稳定的重建性能。
图7：泛化验证综合对比图，包括小狗仿真图像（6层A4纸）和南昌大学校徽实际实验图像（1-6层）的频谱与重建结果。
该研究将扩散生成模型与傅里叶单像素成像深度融合，突破了强散射环境与极低采样率的双重瓶颈，实现了非视域场景的高分辨重建。其核心启示在于：生成式AI的先验知识可有效补偿物理采样不足，频域一致性约束则确保重建结果忠实于实测数据，这种"数据驱动+物理约束"的范式为计算成像提供了新思路。未来可探索快速采样策略、动态场景扩展及更复杂散射模型，推动该技术向实时化、实用化迈进。
一句话评价：扩散模型点亮"隔墙之眼"，3%采样率让强散射下的隐秘目标纤毫毕现。
阅读原文:https://doi.org/10.1016/j.optlaseng.2026.109724
