王占山和程鑫彬团队联合山东师范大学在《智能光学》发表单透镜红外计算成像研究成果——检测门控自适应感兴趣区域重建方法
红外成像在夜间和弱光条件下具有应用优势，广泛应用于无人机、自动驾驶和安全监控等领域。计算成像通过引入算法提供额外的像差校正能力，为简化光学硬件、实现轻量化红外成像创造了条件。为减少先重建整幅图像再检测带来的计算开销，重建识别一体化探测方法利用重建监督辅助检测，使网络能够直接从退化图像中检测目标。然而，仅执行检测分支时，系统虽然能够输出目标位置和类别，却不提供用于人工确认的清晰目标图像。
针对这一问题，同济大学物理科学与工程学院精密光学工程技术研究所团队联合山东师范大学，提出检测门控自适应感兴趣区域重建方法（Detection-Gated Adaptive Region-of-Interest Reconstruction，DG-ROI Recon）。该方法利用检测结果引导目标区域的按需恢复，减少无关背景的冗余重建计算，兼顾目标视觉质量与处理效率。相关成果以“Detection-Gated Adaptive Region-of-Interest Reconstruction for Single-Lens Infrared Computational Imaging”为题，发表于计算成像领域新刊《智能光学》（iOptics）。
该研究从信息提取角度重新审视图像重建与目标检测的关系：当退化图像仍保留足够的定位线索时，目标检测并不总是需要以完整的全画幅重建为前提；当检测目标需要进一步人工确认时，也可以只恢复相应局部区域，从而减少背景区域的冗余计算。
DG-ROI Recon首先在退化红外图像上执行目标检测，并将检测框作为后续重建的门控信号。针对不同尺度目标，方法通过自适应尺寸分桶选择重建区域，并结合点扩散函数作用范围保留必要的上下文信息。重建完成后，利用光晕感知融合策略将局部结果平滑映射回原图；对于超过预设尺寸的目标，则自动切换至全画幅重建。
图1 DG-ROI Recon整体框架
实验结果表明，DG-ROI Recon的单幅图像推理时间为12.9 ms，相比全画幅重建降低38.9%，相比传统“先重建、后检测”流程降低62.8%；目标区域PSNR达到41.40 dB，SSIM达到0.9921，与全画幅重建质量基本相当。在Orange Pi 5 Plus嵌入式平台的稀疏目标子集测试中，该方法采用RKNN INT8推理，相较全画幅重建减少53.2%的推理时间，展现出在资源受限平台上的应用潜力。
图2 不同推理策略的重建效果对比
研究还分析了目标尺度、漏检与误检、噪声强度和目标密度等因素的影响，明确了方法在小目标和严重退化条件下的适用边界。该工作将计算资源由背景占主导的全画幅恢复转向感知相关区域，为无人机巡检、智能驾驶和边缘端红外监控提供了高效的计算成像方案。
论文共同第一作者为同济大学物理科学与工程学院杨桂烁、邢裕杰；共同通讯作者为王绪泉助理教授与顿雄副教授。山东师范大学孙建德教授、张凯副教授以及同济大学钱玄宇、李冬冬、郭诗瑶等参与了该项研究。
论文链接：https://doi.org/10.1016/j.iopt.2026.100035
