LIPS-PC：学习照明模式，实现高效单像素分类

单像素成像的瓶颈与突破

单像素（鬼）成像通过一系列已知的照明模式探测物体，一个无空间分辨率的探测器对每个模式返回一个数值。每次测量都消耗采集时间和光子，对于电离探针还会增加辐射剂量。在自动化射线缺陷筛查等仅需类别标签的任务中，传统成像先重建再分类的流程显得冗余。为此，研究者提出LIPS-PC（Learning Illumination Patterns for Single-Pixel Classification），直接学习用于分类的照明模式。

与固定变换（如2D-DCT）不同，LIPS-PC将测量算子参数化为对2D-DCT的残差修正：(D = D_{\mathrm{base}} + \Delta)。修正矩阵(\Delta)与一个紧凑分类器通过交叉熵损失联合端到端训练，无需重建目标。这产生了一个任务驱动的线性嵌入，优化过程直接以分类性能为导向。

单像素成像（single-pixel imaging）又称鬼成像（ghost imaging），是一种不依赖像素阵列探测器的成像范式。其基本思路是：用一个空间光调制器（如数字微镜器件DMD）将一系列已知的二维图案投射到物体上，再用一个仅能记录总光强的单点探测器（如光电倍增管）测量每次投射后的总反射或透射光强。每个图案对应一个测量值，最终通过求解线性方程组或优化问题重建图像。由于探测器无需空间分辨能力，单像素成像在非可见波段（如X射线、太赫兹、短波红外）具有显著成本优势，因为这些波段的高分辨率阵列探测器往往昂贵甚至不可得。

压缩感知（compressive sensing）是单像素成像的理论基石之一。它指出，若信号在某个变换域（如离散余弦变换、小波变换）中稀疏，则可用远少于奈奎斯特采样定理所要求的测量次数恢复信号。这赋予了单像素成像在低测量预算下工作的能力，但也意味着传统流程通常需要先重建图像、再进行分析，重建步骤本身消耗了大部分测量预算。

方法核心：任务驱动的线性嵌入

LIPS-PC的关键在于将“测什么”与“怎么分”融为一体。测量算子是一个固定的线性矩阵，对所有输入相同，但通过训练调整其参数。训练时，仅使用分类损失（交叉熵），不引入重建损失，迫使算子学习对分类最有信息量的测量方向。这种端到端优化使得在极低测量预算下，分类器仍能保持高准确率。

与固定变换的对比优势

在MNIST、Fashion-MNIST和真实工业X射线焊缝射线数据集RIAWELC上，LIPS-PC在五个测量预算（M∈{8,16,32,64,128}，对应采样率从低于1%到12.5%）下进行了评估。结果显示，在M=8时，学习到的算子在所有三个数据集上均比最佳固定变换高出9-15个百分点。

更关键的是，LIPS-PC仅用8次测量达到的准确率，最佳固定变换需要约16-32次测量才能达到，这意味着在相近准确率下实现了2倍到4倍的测量节省。随着M增大，优势逐渐缩小，在RIAWELC高预算时甚至出现小幅反转。这表明，当测量稀缺时，学习测量什么尤其有价值。

2D-DCT（二维离散余弦变换）是一种将图像从空间域变换到频率域的正交变换，广泛用于JPEG等图像压缩标准。在单像素成像中，以DCT基作为测量模式（即测量矩阵的每一行对应一个DCT基函数）是一种常见选择，因为自然图像的能量在DCT域中高度集中，低频系数即可捕获大部分信息。LIPS-PC将测量算子建模为对DCT基矩阵的残差修正（(D = D_{\mathrm{base}} + \Delta)），这一参数化策略的巧妙之处在于：DCT基提供了一个信息丰富的初始化起点，残差项(\Delta)只需学习任务相关的微小调整，从而加速收敛并提升低预算下的性能。若从随机矩阵或零矩阵出发学习，优化难度会显著增加。

采样率（sampling rate）在此处的定义为测量次数(M)与图像总像素数(N)之比。例如，对于(28 \times 28)的MNIST图像，(N = 784)，当(M = 8)时采样率约为1%；当(M = 128)时约为16%。文章所述"低于1%到12.5%"的采样率范围对应不同数据集（MNIST/Fashion-MNIST为(28 \times 28)，采样率跨度更大；RIAWELC的X射线图像分辨率更高，相同(M)对应更低采样率）。理解采样率与测量次数的区别有助于准确把握"2到4倍测量节省"的含义：节省的是绝对测量次数，而非采样率本身。

实际应用与启示

LIPS-PC在工业X射线焊缝缺陷筛查中的表现验证了其现实价值。传统方法需要大量测量以保证重建质量，而LIPS-PC直接以分类为目标，显著降低了测量次数，从而减少采集时间和辐射剂量。对于自动化筛查场景，这无疑是一大进步。

当然，方法也存在局限：高预算下优势减弱甚至反转，说明学习到的模式可能过度适应低测量条件，未来或需针对预算自适应调整。此外，实验仅涉及线性测量和简单分类器，更复杂的非线性场景有待探索。

总体而言，LIPS-PC展示了任务驱动学习在单像素分类中的潜力，为资源受限的成像应用提供了新思路。