用于红外复杂振幅成像的上变频光学熵编码

看见我们周围不可见的热量

从夜间行驶的汽车到活细胞内部的微小结构，周围世界有很大一部分发出不可见的红外光。拍摄这种“热光”的清晰视频将改变自动驾驶到医学成像等多个领域，但如今的红外相机通常昂贵、耗电且速度较慢。本文介绍了一种新方法，利用普通可见光相机芯片并结合智能光学与人工智能，将微弱的红外场景转换为清晰、视频速率的图像。

将热量变为可见光

标准红外相机依赖特殊材料，这些材料通常需要冷却到很低的温度，从而导致设备体积大且成本高。一个诱人的替代方案是将红外光“上变频”为可见光，让廉价的硅传感器来检测。现有的上变频方法大致分为两类。相干技术能保留光的精细信息，但需要强激光和精密对准。非相干方法基于特殊发光材料，结构更简单且能在更弱的光下工作，但会丢弃光的波动性质——即相位。新工作结合了两者的优点：保持发光材料的简便性和高灵敏度，同时恢复对隐藏波信息的访问。

通过扰乱光来揭示更多信息

该方法的核心思想称为光学熵编码。研究人员首先将入射的红外场景通过一块粗糙的磨砂玻璃，使光被散射成看似随机的散斑图样。这个“扰乱器”像一个复杂的编码器，将光的亮度和波形混合在一起。接着，一层含镧系离子的薄膜吸收这些散斑的红外光，并通过逐步上变频过程将其重新发射为可见光。标准硅相机只记录这种可见散斑的强度，单看上去似乎毫无意义。然而，由于散射图样信息丰富且复杂，它暗含了足够的关于原始场景亮度与相位的信息，能够在后续被解码。

让神经网络来解码

关键问题是如何将记录到的散斑图样恢复成可用的场景图像。没有简单的公式能把扰乱后的可见散斑直接映射回原始的红外光。为此，团队训练了一个深度神经网络，称为S-ULRnet，从示例中学习这种映射关系。他们把许多已知的红外图样及其对应的上变频散斑图像成对送入网络。随着训练进行，网络学会从单张快照重建亮度和相位。作者还表明，通过调节磨砂玻璃对光的扰乱强度——本质上增加散斑的“熵”或信息含量——可以显著提高重建精度。

从微弱红外信号得到清晰视频

一旦训练完成，系统表现令人印象深刻。它能以每秒25帧的视频速率恢复出亮度和相位的细节、8位灰度图像，每帧仅需一次相机曝光。该装置能检测极其微弱的红外功率，低至约0.2纳瓦每平方微米——比许多传统上变频方法灵敏度高约一千倍。团队演示了自然场景、移动数字序列乃至限速路牌的实时视频，随后这些视频可由另一个识别网络准确分类。这表明该系统可用于自动驾驶或智能监控等实际任务。

通向智能红外视觉的新途径

简单来说，研究者构建了一个智能“翻译器”，将难以检测的红外光转换为信息丰富的可见图样，再由人工智能读取这些图样以重建红外场景。他们的方法速度快、灵敏度高且硬件相对简单，适用于从医学诊断到环境监测的各种应用。由于所用的发光材料可对不同红外波段响应，同一概念可扩展到多波长波段和更高级的成像模式。因此，这项工作为未来使用廉价元件和智能解码技术来以惊人细节观测热与结构的相机指明了方向。

引用: Zhu, Sk., Pan, T., Tang, Cx. et al. Upconversion optical entropy encoding for infrared complex-amplitude imaging. Light Sci Appl 15, 158 (2026). https://doi.org/10.1038/s41377-026-02215-7

关键词: 红外成像, 上变频, 散斑编码, 神经网络传感, 短波红外