Image Reconstruction from Readout-Multiplexed Single-Photon Detector Arrays¶

会议: CVPR 2025
arXiv: 2312.02971
代码: 无
领域: 计算成像 / 目标检测
关键词: 单光子探测器, 读出复用, 图像重建, 多光子估计, 超导纳米线

一句话总结¶

本文将行列读出复用的单光子探测器阵列中的多光子碰巧分辨问题形式化为逆成像问题，提出了一种概率性的多光子估计器（Multiphoton Estimator），能够解析最多4个同时入射的光子的空间位置，在32×32阵列上相比传统方法提升3-4 dB PSNR，并将所需帧数减少约4倍。

研究背景与动机¶

领域现状：单光子探测器（如SPAD和SNSPD）在生物成像、激光雷达和量子光学中有广泛应用。要实现大面积成像，需要单光子探测器阵列。行列读出复用（row-column multiplexing）是解决大规模SNSPD阵列散热和数据带宽瓶颈的关键方案，可以将\(n \times n\)阵列的读出线从\(n^2\)减少到\(2n\)条。
现有痛点：行列复用读出要求入射光子通量很低以避免歧义。当一个采集周期内有多个光子同时到达阵列时，行列读出只能给出候选像素集合，无法确定具体哪些像素被击中。传统的朴素估计器（Naive Estimator）将光子计数均匀分配到所有候选像素上，会产生鬼影；单光子估计器（SPE）丢弃多光子帧，虽然无偏但方差极大，且浪费了约85%的测量帧。
核心矛盾：如何在保留多光子帧信息的同时，准确分辨每个光子的空间入射位置？这是一个病态逆问题。
本文目标：在行列复用读出架构下，利用多光子帧的信息来降低重建的均方误差，提高图像质量和光子利用率。
切入角度：作者从概率建模出发，利用单光子帧（无歧义）估计各像素的检测概率，再用这些概率反过来分配多光子帧中的光子计数。
核心 idea：通过对多光子碰巧事件的条件概率建模，将歧义读出帧中的光子计数按最大似然原则重分配到候选像素，实现近似最大似然图像重建。

方法详解¶

整体框架¶

输入是一系列行列读出帧\((R^t, C^t)\)，每帧包含一个行向量和一个列向量，指示哪些行和列检测到了光子。输出是每个像素的光子入射通量估计\(\hat{\Lambda}_{ij}\)。方法分三步：(1) 将读出帧分为无歧义帧和歧义帧；(2) 利用无歧义帧估计初始检测概率；(3) 利用条件概率模型将歧义帧的光子计数重新分配，得到改进的检测概率估计。

关键设计¶

测量与读出模型:
- 功能：建立光子入射、检测、行列读出之间的数学关系
- 核心思路：每个像素的光子到达服从泊松分布\(X_{ij}^t \sim \text{Poisson}(\Lambda_{ij})\)，由于探测器饱和效应，实际检测为伯努利随机变量\(Y_{ij}^t \sim \text{Bernoulli}(q_{ij})\)，其中\(q_{ij} = 1 - e^{-\Lambda_{ij}}\)。行读出\(R_i^t\)为该行所有像素检测的OR运算，列读出类似。当行或列只有一个被激活时，帧是无歧义的。
- 设计动机：这一形式化将成像问题转化为从行列压缩测量中恢复像素级检测概率的逆问题
多光子估计器（Multiphoton Estimator, ME）:
- 功能：利用歧义帧中的信息来提高重建精度
- 核心思路：对于歧义帧，首先用单光子估计器\(\hat{q}_{ij}^s\)估计初始检测概率，然后计算各种多光子碰巧事件的条件概率\(\hat{g}_k\)（即给定观察到歧义读出时，各事件发生的相对概率）。利用这些条件概率将歧义帧的\(M_9\)个帧按比例\(\hat{g}_k M_9\)分配给各个事件类型，从而将似然函数从不可分解的和式近似分解为乘积形式，得到近似最大似然估计。
- 设计动机：直接最大化歧义帧的似然函数是困难的，因为涉及多个事件概率的和。通过先估计条件概率再分配，将问题转化为可解析求解的简化形式。
2/3/4光子递进扩展:
- 功能：逐步增加建模的碰巧光子数量以提高估计精度
- 核心思路：从2光子碰巧开始建模，逐步加入3光子和4光子事件。对于\(n \times n\)阵列，歧义类型随着行列激活数增加而增多。为保持计算可行性，限制在最多4光子碰巧，忽略5光子及以上事件。每增加一级建模，最优工作点（均方误差最小的PPF）会向更高通量移动。
- 设计动机：更高阶的碰巧建模可以利用更多数据帧，代价是条件概率表达式中的项数增长。4光子建模在精度和复杂度之间取得了很好的平衡。

损失函数 / 训练策略¶

本文不涉及深度学习训练，而是纯计算/统计方法。关键的优化目标是最大化近似似然函数\(\mathcal{L} = U(q) \cdot A(q)\)，其中\(U(q)\)来自无歧义帧，\(A(q)\)来自歧义帧。通过条件概率分解获得解析解，无需迭代优化。

实验关键数据¶

主实验¶

在32×32阵列、100,000帧测量条件下进行蒙特卡洛仿真：

测试图像	估计器	PSNR (dB)	最优PPF
Lily花	Naive	16.39	~0.45
Lily花	SPE	21.55	~0.83
Lily花	ME (ours)	27.22	~1.4
Moon	Naive	17.05	-
Moon	SPE	22.43	-
Moon	ME (ours)	28.41	-
Coins	Naive	13.17	-
Coins	SPE	16.63	-
Coins	ME (ours)	22.54	-

消融实验¶

估计器配置	最优PPF	最优MSE处PSNR	说明
Naive	0.45	22.59 dB	最简单，偏差大
Single-Photon	0.83	23.64 dB	无偏但高方差
2-photon ME	1.0	23.83 dB	建模2光子碰巧
3-photon ME	1.2	24.60 dB	增加3光子
4-photon ME	1.4	26.74 dB	完整模型，最优

关键发现¶

4光子估计器比单光子估计器提升约3-4 dB PSNR，比朴素估计器提升约6-11 dB
ME的最优入射光子通量（1.4 PPF）高于SPE（0.83）和NE（0.45），这意味着可以在更高信号强度下工作
ME实现约4倍的帧数减少（达到相同MSE所需帧数：ME 25k vs SPE 100k）
ME在Fisher信息界限（CRB）下表现良好，在较宽的通量范围内匹配理论下界
性能增益随阵列尺寸增大而增大，表明方法对商用规模阵列同样适用

亮点与洞察¶

条件概率分配思想：将不可解的混合似然问题转化为可解析求解的分配问题，思路简洁优雅。这种"先粗估再精分"的策略在其他压缩感知/复用场景中也可借鉴。
无需空间先验：作者刻意不使用空间先验（如全变分正则化），以隔离方法本身的增益来源。这意味着加入先验后性能可进一步提升。
最优通量工作点分析：揭示了不同估计器的最优工作点差异，对实际系统设计有直接指导意义——可以放宽对低光子通量的要求。

局限与展望¶

仅限于最多4光子碰巧建模，在高通量条件下存在模型失配导致的偏差
实验仅为蒙特卡洛仿真，缺少真实SNSPD硬件验证
未考虑暗计数、串扰等实际探测器非理想因素
计算复杂度随阵列增大而线性增长，作者建议可通过块处理方式并行化
可以结合深度学习方法学习空间先验，进一步提升重建质量

评分¶

新颖性: ⭐⭐⭐⭐ 首次将多光子碰巧分辨形式化为逆成像问题并给出解析解
实验充分度: ⭐⭐⭐ 仿真全面但缺少真实硬件实验
写作质量: ⭐⭐⭐⭐ 数学推导清晰，图表直观
价值: ⭐⭐⭐⭐ 对大规模单光子探测器阵列的实际应用有重要推动作用