1 西华大学电气与电子信息学院，四川 成都 610039
2 国网四川省电力公司电力科学研究院，四川 成都 610041
针对微光图像增强算法存在泛化能力较差的问题，提出一种基于多尺度深度曲线估计的微光图像增强算法，通过学习不同尺度微光图像与正常图像之间的映射关系实现微光图像增强。参数估计网络包括3个尺度的编码器和1个融合模块，可以高效直接地学习微光图像。每个编码器由级联的卷积层和池化层组成，具有特征层重复使用的优点，提高了计算效率。为增强对图像亮度的约束，提出一种亮通道损失函数。基于LIME数据集、LOL数据集和DICM数据集，对所提方法与其他6种先进算法进行对比。实验结果表明，所提方法能够得到色彩鲜艳、亮度适中、细节丰富的增强图像，在主观视觉效果和客观定量评价上均优于其他算法。
图像增强 多尺度 深度曲线估计 无参考损失函数 深度神经网络 激光与光电子学进展
2024, 61(10): 1037007
强激光与粒子束
2024, 36(4): 043031
1 东南大学 自动化学院，江苏南京20096
2 东南大学 复杂工程系统测量与控制教育部重点实验室，江苏南京10096
3 南京航空航天大学 空间光电探测与感知工业和信息化部重点实验室， 江苏南京211106
为了在严重遮挡以及少纹理等具有挑战性的场景下，准确地估计物体在相机坐标系中的位置和姿态，同时进一步提高网络效率，简化网络结构，本文基于RGB-D数据提出了采用辅助学习的六自由度位姿估计方法。网络以目标物体图像块、对应深度图以及CAD模型作为输入，首先，利用双分支点云配准网络，分别得到模型空间和相机空间下的预测点云；接着，对于辅助学习网络，将目标物体图像块和由深度图得到的Depth-XYZ输入多模态特征提取及融合模块，再进行由粗到细的位姿估计，并将估计结果作为先验用于优化损失计算。最后，在性能评估阶段，舍弃辅助学习分支，仅将双分支点云配准网络的输出利用点对特征匹配进行六自由度位姿估计。实验结果表明：所提方法在YCB-Video数据集上的AUC和ADD-S<2 cm结果分别为95.9%和99.0%；在LineMOD数据集上的平均ADD（-S）结果为99.4%；在LM-O数据集上的平均ADD（-S）结果为71.3%。与现有的其他六自由度位姿估计方法相比，采用辅助学习的方法在模型性能上具有优势，在位姿估计准确率上有较大提升。
六自由度位姿估计 辅助学习 深度图像 三维点云 6-DoF pose estimation auxiliary learning RGB-D image 3D point cloud
1 华中科技大学智能制造装备与技术全国重点实验室，湖北 武汉 430074
2 光谷实验室，湖北 武汉 430074
衍射场作为叠层衍射成像技术（ptychography）的重要约束，其信息的丰富度和准确性将直接影响重构质量。提出一种基于极大似然噪声估计的高动态范围（ML-HDR）叠层衍射成像方法，即在探测器线性响应假设下，构建复合高斯噪声模型，根据极大似然估计求解最优权重函数，由多张低动态范围衍射场合成高信噪比衍射场。对比了单次曝光、传统HDR和ML-HDR三种方法的重构质量。仿真和实验结果表明：相比单次曝光，ML-HDR能将动态范围拓宽8位，重构分辨率提升至2.83倍；相比传统HDR，ML-HDR能提高重构图像的均匀性和对比度，且无需额外标定硬件参数。
计算成像 叠层衍射成像术 高动态范围 相位恢复 极大似然估计 激光与光电子学进展
2024, 61(8): 0811011
1 合肥工业大学仪器科学与光电工程学院，安徽 合肥 230009
2 合肥工业大学测量理论与精密仪器安徽省重点实验室，安徽 合肥 230009
针对传统位姿测量的不足，提出了一种基于三维数字图像相关（3D-DIC）法的空间刚体位姿估计方法，该方法利用双目相机拍摄待测物运动前后的图像序列，通过3D-DIC方法进行匹配计算，获得待测物运动前后的全场坐标信息，选择计算点坐标后对其进行奇异值分解，求得位姿参数。针对3D-DIC在测量大旋转时误差较大的情况，提出了一种增加中间图像的匹配计算方法。通过平移自由度和旋转自由度的实验验证，本文方法可实现空间刚体多个位姿参数的测量，三个平移自由度的测量误差均小于0.07 mm，测量角度小于10°时，偏航角和滚转角的测量误差均小于0.2°。
测量 数字图像相关法 位姿估计 六自由度
1 重庆邮电大学 通信与信息工程学院，重庆 400065
2 北京智芯微电子科技有限公司，北京 102200
【目的】电力线载波（PLC）通信系统采用基于帧突发的传输模式，由于PLC系统的收发信机之间存在载波频偏、PLC信道存在各种噪声以及时变特性，加之PLC系统没有专用参考信号，传统信道估计对PLC信道没有跟踪预测能力，进而造成PLC系统性能恶化。
【方法】文章针对现有问题，提出了一种基于长短期记忆（LSTM）神经网络和去噪卷积神经网络（DnCNN）的去噪长短期记忆（DnLSTM）神经网络，并利用该DnLSTM神经网络进行了PLC信道估计。首先对DnLSTM神经网络进行离线训练再保存训练好的DnLSTM参数，之后将其部署到PLC系统中，加载训练完成的参数后再进行在线预测，得到PLC系统信道响应。在电力线系统仿真中，文章采用最小二乘法（LS）、最小均方误差（MMSE）算法以及DnLSTM神经网络进行信道估计，给出在高斯白噪声（AWGN）、组合噪声、色噪声和脉冲噪声条件下的仿真结果，同时调整了用于信道估计的前导符号数量并进行了对应的仿真。
【结果】仿真结果表明，DnLSTM神经网络进行信道估计的精度与采用的前导符号数量有关，采用4个前导符号进行信道估计，其估计精度优于LS，接近MMSE算法，并且DnLSTM神经网络具有很好的抵抗载波频偏以及信道时变的能力。当用于信道估计的前导符号越多时，低信噪比（SNR）情况下的PLC系统性能越好，高SNR情况下的PLC系统性能相似。
【结论】通过以上仿真可得出，基于LSTM和DnCNN的DnLSTM神经网络可以很好地估计存在频偏的PLC系统信道响应，可实时跟踪其变化。
电力线载波通信 信道估计 深度学习 长短期记忆神经网络 去噪卷积神经网络 PLC communication channel estimation deep learning LSTM neural network DnCNN 光通信研究
2024, 50(2): 22005801
1 中国地质大学 机械与电子信息学院，武汉 430074
2 中国信息通信科技集团有限公司 光纤通信技术和网络全国重点实验室，武汉 430074
【目的】高速无源光接入网络中存在光纤色散、非线性损伤和带宽限制等问题，导致传统强度调制和直接检测技术的功率预算损失较高，难以满足高速无源光接入网络的要求。
【方法】为了更好地提升强度调制和直接检测光接入系统的速率和性能，文章在Volterra判决反馈均衡器（VDFE）的基础上，研究了基于递推最小二乘估计（RLS）算法的VDFE-RLS信道均衡方法。该均衡器采用RLS算法对其中的抽头系数进行更新。该均衡器包含了一、二、三阶Volterra级数，其中一阶Volterra级数对线性损伤进行补偿，二阶和三阶Volterra级数能够对非线性损伤进行补偿。文章将该均衡器应用于经过20 km传输后的单波长为200 Gbit/s的O波段强度调制和直接检测技术的下行光接入系统中。
【结果】实验结果表明，RLS算法相比传统的最小均方（LMS）算法在均衡器中表现出来的性能更好。此外，VDFE-RLS可以实现>29 dB的功率预算。VDFE-RLS相比于传统的基于Volterra的前馈均衡器（VFFE），当VDFE-RLS和VFFE-RLS均衡器长度相同时，可以实现2.2 dB功率预算的提升。当VDFE-RLS的均衡器长度为VFFE-RLS的一半时，前者相比后者仍可以提升0.5 dB的功率预算。
【结论】文章所述系统相比其他传统系统在能够缩短均衡器长度的同时，能提高系统的功率预算，还能最终恢复出准确度较高的信号。
Volterra判决反馈均衡器 递推最小二乘估计 Volterra级数 自适应滤波算法 VDFE RLS Volterra series adaptive filtering algorithms 光通信研究
2024, 50(1): 23013601
南京邮电大学地理与生物信息学院，江苏 南京 210023
针对传统变形监测中整体变形模型无法有效提供监测对象局部独特详细变形信息的不足，基于地面三维激光扫描技术提出一种包含元变形、子变形、变形图的三层混合变形模型，并设计了一种基于单元的变形计算方法。该方法主要包括单元分割、变形估计、变形融合等3方面内容，可以实现无先验监测信息条件下，自动增量地提取不同尺度的变形信息。模拟实验结果表明，在该方法下，RANSAC算法的平面拟合回归估计角度变化误差均值为1.21″，估计可靠性在一定范围内随单元大小增大而提高；滑坡实验结果表明，最小值法位移估计结果噪声更少，0.2 m单元大小分割可以提供更多的变形估计细节。所提方法尤其适用于具有非均匀变形特性的监测领域，对推动滑坡等人员难以到达的灾害监测从“点监测”向“面监测”的转变具有一定的理论与实际意义。
测量 激光扫描 变形监测 混合模型 三维分割 变形估计 激光与光电子学进展
2024, 61(8): 0812009
