用于受对数正态衰落影响的 FSO 系统图像恢复的混合深度学习框架

这对日常图像为何重要

随着我们生活的更多部分转向线上，我们期望照片和视频能够即时且清晰地传达——无论它们来自医疗扫描仪、安全摄像头还是卫星。但当这些图像通过用光束传输时，大气会扰乱它们，使清晰的场景变得颗粒感强、色彩苍白。本文研究了一种将现代深度学习与传统图像锐化相结合的方法，如何挽救被破坏的图像，即使在传输信道极其恶劣的情况下也能恢复细节。

用光在空中发送图像

该研究聚焦于自由空间光通信（FSO），这是一种使用高度聚焦的光束而非无线电波来发送数据的技术。FSO 的吸引力在于它可以携带大量信息——非常适合高分辨率图像和视频——且无需无线电牌照。然而，发射器与接收器之间的空气很少平静。温度变化、风和湍流会导致光束闪烁和强度波动，作者用统计学上的对数正态衰落来描述这种现象。当再叠加电子噪声以及为在光束中压入更多信息而采用的高密度调制方案时，这些失真会严重降低图像质量。

传统修复方法的局限

工程师长期以来尝试用多天线（MIMO）、通过不同路径发送相似信息的多样性方案、实时重塑光束的自适应光学，以及高斯滤波和维纳滤波等复杂滤波器来对抗这些失真。尽管这些方法有一定效果，但在环境快速变化或表现出复杂非线性行为时，它们会力不从心。它们可能抑制部分噪声，但往往会模糊重要的边缘和纹理，而且不够灵活，无法完全消除困扰真实 FSO 链路的随机、快速变化的衰落。

一种理解失真的学习机器

为克服这些限制，作者设计了一个深度卷积神经网络（DCNN），通过示例学习衰落和噪声通常如何损坏图像。他们使用 AI 图像生成器创建了 3 万张大规模合成数据集，然后用数学方法模拟带有对数正态衰落和叠加噪声的 FSO 链路如何破坏这些图像。数据集中一半图像保持清晰，另一半为衰落并含噪，覆盖了广泛的信噪比条件。在训练过程中，DCNN 看到大量受损图像与原始图像的配对，逐步学习估计并减去噪声模式，网络由 22 层和重复的残差块组成，专门用于将真实结构与失真区分开来。

增强细节并检验可靠性

在 DCNN 去除大部分噪声和衰落效应之后，作者加入了一个专门的锐化步骤，以增强在过程中可能被软化的边缘和微结构。这种两阶段流程——先去噪再锐化——对于生成在数值指标上表现良好且视觉上清晰的图像至关重要。团队使用峰值信噪比（PSNR）和均方根误差（RMSE）等标准度量来评估质量，将恢复后的图像与其原始版本进行比较。在严苛的模拟条件下，衰落图像的 PSNR 可降至约 7–9 dB，而恢复后的图像提升至约 67–68 dB，处于“优秀”范围，远超传统滤波方法的效果。

在分类任务和类真实场景上的测试

为确保恢复后的图像不仅看起来更好，而且在后续分析中有用，作者训练了深度残差网络（ResNet-18、ResNet-50 和 ResNet-101）来区分衰落图像与清晰图像。这些分类器的准确率超过 99.8%，证明数据集结构良好且恢复过程保留了有意义的视觉模式。该框架还在训练时未见过的图像上进行了测试，包括通过模拟 FSO 链路发送的真实人像。即便在这些具有挑战性的情况中，模型也显著提高了清晰度，表明它学到的是通用的恢复原理，而非简单记忆训练样本。

这对未来成像系统意味着什么

对非专业读者来说，关键结论是作者构建了一个智能的“图像救援”系统，能够将通过湍流空气发送而严重损坏的图片恢复到几乎与原始图像相当的效果。通过将学习型深度网络与最终的锐化步骤相结合，该方法能把嘈杂、褪色的人脸和场景恢复为清晰、细节丰富的图像。这一方法有望增强未来从远程医疗与远程诊断到监控与地球观测等应用，在传输条件恶劣的情况下也能可靠地看到微小细节，从而支持基于视觉的决策。

引用: Soliman, F.A., Ragab, D.A., El-Shafai, W. et al. Hybrid deep learning framework for image restoration in Fso systems affected by log-normal fading. Sci Rep 16, 14653 (2026). https://doi.org/10.1038/s41598-026-39768-x

关键词: 自由空间光通信, 图像去噪, 深度学习, 大气湍流, 图像恢复