实验室在计算成像方向的研究工作被被信号处理领域顶级刊物JSTSP录用，论文题目为“Efficient Video Representation via Hybrid Key Frame Reconstruction: A Test-time Data Augmentation Approach”。该论文第一作者为实验室负责人吉林大学副教授胡俊成，通讯作者为吉林大学助理研究员吕克敌，主要合作者包括清华大学电子系教授陈宏伟、北京清智元视科技有限公司黄泓皓博士和实验室22级卓班本科生冯玉琪。
研究背景
动态编码时域压缩成像中的视频重建，是计算成像与计算机视觉交叉领域的核心任务，广泛应用于安防监控、自动驾驶等安全关键场景。其核心目标是通过压缩测量数据精准还原高质量视频，同时保障结果的可信度与可靠性。然而，现有方法存在两大关键瓶颈：1）数据获取局限：传统单模态采样架构难以平衡时间分辨率与空间细节，长曝光压缩帧易丢失静态特征，短曝光帧则难以捕捉运动信息，导致重建视频存在细节模糊或运动失真问题；2）不确定性缺失：深度学习模型的确定性输出缺乏置信度量化机制，在复杂纹理区域（如边缘过渡、文本元素）易产生未知误差，给高风险场景应用带来安全隐患。为破解上述难题，团队提出融合测试时数据增强的混合关键帧辅助压缩视频重建方案，通过采样架构创新与网络设计优化，实现视频重建质量与不确定性量化的双重提升。
实验设计
论文提出的 KH-TTA（Key Frames Assisted Hybrid Compressive Video Reconstruction with Test-time Data Augmentation）框架，是一套模型无关的高效视频重建解决方案，核心通过三大创新模块协同突破传统方法局限：1）双模态采样架构：同步捕捉长曝光压缩帧与短曝光关键帧，前者提供完整运动信息，后者保留高精度空间细节，通过互补数据输入解决单模态采样的固有 trade-off；2）时空变换测试时增强：设计符合成像物理约束的时空变换策略（包括空间翻转、90°整数倍旋转等），通过蒙特卡洛近似对后验分布采样，实现重建结果的统计融合与不确定性量化，无需修改原有模型结构；3）深度展开重建网络：基于8阶段迭代优化框架，集成特征共享去噪先验与时空对齐机制，增强模型对不同编码方案的适应性，提升跨场景泛化能力。同时，框架通过亮度线性缩放与双阶段融合策略，进一步优化关键帧与压缩帧的信息协同，有效抑制重建伪影。
实验结果
团队在模拟数据集与真实硬件系统中，将 KH-TTA 与 GAP-TV、RevSCI、ELP 等当前主流 SOTA 方法展开全面对比，实验基于 PyTorch 框架与高性能计算硬件，以 PSNR（峰值信噪比）、SSIM（结构相似性）、LPIPS（感知相似度）为核心评估指标，覆盖道路标识、车辆、生物等多类场景。结果显示，KH-TTA 在各项指标上均实现显著突破：平均 PSNR 较现有最优方法提升0.45-1.01 dB，SSIM提升0.0074，LPIPS降低12.9%，在复杂纹理区域的重建细节更清晰、伪影更少。同时，其不确定性量化机制表现出极高可靠性，重建误差与标准差的相关系数达0.85，硬件实验验证 R² 值为0.7194，可精准映射视觉误差分布。在长时效重建任务中，该方法仍能保持稳定性能，为动态场景下的高质量视频还原提供了有效解决方案。
JSTSP全称为IEEE Journal on Selected Topics in Signal Processing，是IEEE信号处理学会（IEEE Signal Processing Society）旗下的旗舰期刊，专注于发表信号处理领域的前沿研究。其最新影响因子为13.7，在信号处理领域长期保持顶尖学术影响力。