说到偏振成像，这项技术近年来在光学成像领域备受关注。其核心优势在于，通过捕捉光波中常被忽略的“偏振”特性，有效对抗复杂环境的干扰，从而实现更清晰、更精准的成像。传统光学成像主要依赖光强与波长，在恶劣环境——如水下、雾霾、弱光——中，成像效果往往大打折扣。而偏振信息这一新的维度，恰好弥补了传统方法的不足，尤其擅长感知目标自身的物理特性。然而，随之而来的挑战是：在散射、低照度等复杂条件下，偏振参量图像本身也会发生严重退化。

从数据角度看，这种退化过程呈现非线性特征，要还原出清晰的图像，本质上是一个高难度的非线性逆问题。深度学习技术的兴起，为这类复杂信号处理任务提供了全新思路，其强大的特征提取与学习能力，能从海量数据中挖掘映射规律，实现高质量的偏振信息复原。天津大学胡浩丰教授团队对此进行了深入研究，以下将梳理相关进展。

研究背景

偏振成像的本质，在于提升了光场信息获取的维度。通过获取并融合多维度的偏振信息，可应对不同场景下的成像挑战。过去，主流思路依赖物理模型与先验知识来解决问题。例如，在散射环境中，基于物理模型对偏振信息进行解译，确实能改善水下、雾霾等场景的成像效果。但关键瓶颈在于：模型复原效果的好坏，高度依赖于模型是否贴合真实物理过程。现实环境极其复杂，我们构建的模型往往存在简化与偏离实际的问题，因此在极端环境下常显力不从心。

近几年，深度学习技术的爆发，为这一领域打开了新局面。其强大的非线性拟合能力，使其特别适合处理像偏振参量这样多维且相互关联的信号。因此，基于深度学习的偏振成像技术，核心优势在于绕过了建立精确物理模型的障碍，直接通过数据学习输入与输出之间的映射关系，在成像质量的客观评价指标上取得了显著提升。本文将围绕散射与噪声这两个最具代表性的复杂环境，系统梳理当前的研究工作。

技术亮点

1. 基于深度学习的偏振成像技术范式

与传统的“物理模型+先验知识”思路截然不同，深度学习的做法很直接：将偏振成像系统采集到的多维偏振参量图像作为输入，利用神经网络的非线性拟合能力，直接学习从退化图像到复原图像之间的映射关系。整个技术范式可用图1来概括。

图1 基于深度学习复杂环境的偏振成像技术范式图像

2. 基于深度学习的散射环境偏振成像

针对散射环境的偏振成像，深度学习主要解决的是如何解译散射介质采集到的偏振信号。目前的研究路线主要分为两种：一种是纯粹的数据驱动方式，另一种是将物理模型内嵌于网络中。这两种方法各有优势。

作为代表性工作，胡浩丰团队首次提出了用于水下复杂环境的偏振密集网络（Polarimetric Residual Dense Network, PDN），其网络结构如图2(a)所示。一个很有创意的设计是，他们将三张不同角度的偏振图像输入Polarimetric-Net，而Intensity-Net只输入一张强度图进行对比。结果很能说明问题：采用多维度偏振信息作为输入的复原效果，无论是从主观视觉还是客观评价指标（EME）来看，都远优于仅使用光强图像的结果。具体对比效果如图2(b)所示。

图2(a) PDN方法网络结构示意图；(b) PDN网络复原效果以及与其它方法的对比效果

这一技术首次提出后，学界面临的最大挑战是数据集缺失问题。公开数据集非常少，采集大规模真实数据成本又高。因此，后续研究者开始探索无监督、自监督学习，以及利用仿真合成数据来训练模型。

当然，纯数据驱动的方法也有其局限性。它相当于一个“黑盒子”，很难保证在从未见过的散射环境下依然有效，甚至可能产生违背物理规律的复原结果。网络参数训练量大、训练效率低也是现实问题。将物理模型或先验知识内嵌到网络结构中，正是为了解决这一局限，增强网络对偏振信息退化过程的理解和推理能力，使其能更好地适应复杂多变的散射环境。这就好比教一个孩子，不仅让他背下曲谱（数据驱动），还让他理解乐理（物理模型），这样才能真正灵活地演奏。

3. 基于深度学习的噪声环境偏振成像

在低照度环境下，图像噪声是主要矛盾。研究显示，同等噪声水平下，用非线性算法解译出的偏振参量图像（如偏振度、偏振角图像）的退化程度，比线性算法算出的Stokes矢量图像严重得多，尤其是偏振角图像，目标信息几乎淹没在噪声中。因此，解决噪声引起的偏振参量图像退化，是偏振成像在弱光场景中落地的关键。

这一领域的研究演进脉络清晰，大致可分为三个阶段。第一阶段，研究者采用有监督的端到端训练方式，初步实现了对偏振参量图像的去噪。第二阶段，为降低数据集构建的成本与难度，无监督、自监督、迁移学习等方法被引入。到了第三阶段，研究重点开始转向网络训练的可解释性，尝试让模型“知其然也知其所以然”。

作为这一方向的早期探索，胡浩丰团队在2020年就提出了基于密集残差网络的偏振图像去噪网络PDRDN。从图3(d)的对比中可以直观看到，尤其是在低信噪比环境下，深度学习方法对偏振度图像和偏振角图像的噪声抑制效果非常显著，复原后的图像与真值图像几乎无异。

图3（a）PDRDN方法网络结构示意图；（b）残差密集块结构；（c）测试集不同材质目标的偏振参量复原效果；（d）偏振参量图像复原效果与真值图像的细节对比

结论与展望

从现有的研究工作可以得出一个明确结论：偏振信息的多参量、强相关性这一特点，使其天然适合用深度学习技术处理。将两者结合，无疑能将光学成像质量提升到一个新高度，满足更复杂的应用环境需求。可以确定的是，这个方向前景广阔。

展望未来，仍有几个关键问题亟待解决。比如，如何进一步完善内嵌物理模型，提高网络的可解释性？如何探索更有效的多模态融合策略？这些都是为了让深度学习模型在复杂环境偏振成像中更具鲁棒性，最终实现更强的场景通用性，从实验室走向实际应用。

团队及作者介绍

团队介绍：

课题组依托天津大学光电信息技术教育部重点实验室和自然资源部海洋观测技术重点实验室，在偏振光学及海洋探测领域具有深厚的研究基础和优越的研究条件。团队完成了多类具备控制、采集、处理、显示、存储等功能的偏振成像系统配套软件。相关科技成果已成功应用于中国核电集团、应急管理部天津消防研究所等单位。

胡浩丰，天津大学英才教授，博士生导师，国家高层次青年人才，国家重点研发计划首席青年科学家。担任中国仪器仪表学会图像科学与工程分会理事、中国光学学会全息与光信息处理专委会委员、中国光学工程学会计算成像专家委员会首届委员。入选中国科协“青年人才托举工程”、天津市首批“青年人才托举工程”、天津市“青年科技优秀人才”，获中国仪器仪表学会金国藩青年学子奖学金。主持国家重点研发计划青年科学家项目1项、国家自然科学基金项目3项。主编学术专著2部，以第一或通讯作者发表SCI论文60余篇，以第一发明人授权国家发明专利19项。研究工作被美国光学学会、英国物理学会等多家机构专题报道。

李校博，天津大学，英才副教授，硕士生导师。入选中国科协“青年人才托举工程”，获中国光学学会王大珩光学奖、天津市优秀博士学位论文等。曾先后在法国高等光学研究所和香港中文大学从事访问学者和研究工作。担任中国光学工程学会计算成像专业委员会青年委员、《应用光学》杂志青年编委等。以第一/通讯作者身份在Optics Letters，Optics Express等国际知名期刊发表学术论文40余篇，先后主持国家自然科学基金项目1项，省部级项目5项。主要研究方向包括海洋光学探测、计算成像、光学测量及计量技术等。

黄一钊，天津大学精密仪器与光电子工程学院2021级硕士研究生，从事水下偏振成像技术相关研究工作，参与国家自然科学基金等多个项目。