← 返回 PaperDaily 视觉与图像

太阳中山大学提出新算法：不用训练也能补全缺失uv频率

这篇论文盯住了射电干涉成像里最烦人的“缺频率”问题：不靠训练、不搞复杂先验，直接用非负性约束把缺失信息一点点补回来。更妙的是，它还拿 CLEAN 做了正面比较，结果看起来相当能打。🤨

龙哥读论文 阅读 3 查看原文
#AI科研 #图像恢复
太阳中山大学提出新算法：不用训练也能补全缺失uv频率
🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！
👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥推荐理由：
这篇论文盯住了射电干涉成像里最烦人的“缺频率”问题：不靠训练、不搞复杂先验，直接用非负性约束把缺失信息一点点补回来。更妙的是，它还拿 CLEAN 做了正面比较，结果看起来相当能打。🤨


原论文信息如下：
论文标题:
A Non-Negativity Iterative Approach to Image Deconvolution for SKA
发表日期: 2026年06月
发表单位: Sun Yat-sen University; CSST Science Center for the Guangdong-Hong Kong-Macau Greater Bay Area
原文链接: https://arxiv.org/pdf/2606.25631v1.pdf

射电天文去卷积的困境

射电成像这事，表面上像“把天空拍下来”，实际上更像“拿着一张被揉皱的照片，硬要还原原图”。干扰仪器的响应、有限的频域采样、旁瓣拖影，这些因素一叠加，最后得到的往往不是天空本身，而是一张dirty image（脏图）。它不是坏了，只是信息不全，像记忆里少了几块拼图。
这里的核心麻烦在于图像去卷积：观测到的图像可以看成真实天空与PSF（Point Spread Function，点扩散函数）的卷积结果。PSF可以理解成望远镜自带的“模糊滤镜”。在单机成像里，它来自波束；在干涉成像里，它还和有限的uv覆盖紧紧绑在一起。uv覆盖不完整，就意味着某些空间频率根本没被采到，想直接反演，基本等于让数学去做“无米之炊”。
传统的 CLEAN 算法在射电天文里非常经典，地位像“老前辈”一样稳。它擅长处理点源，也能在很多场景下把旁瓣压下去，但一碰到扩展源、低表面亮度结构、稀疏采样，常常就开始“碎碎念”——把连续结构拆成一堆小组件，最后看起来能用，但不够顺滑。更麻烦的是，很多现代实现虽然更快、更自动化，参数调起来还是像在给机器哄睡：得反复试，才能找到相对合适的状态。

非负约束：一个物理驱动的简洁解决方案

这篇论文的思路很直接：既然天空中的天体发出的辐射强度本来就应该是非负的，那为什么不把这个物理事实直接塞进算法里？这就是本方法最核心的约束：非负约束。它不是花里胡哨的深度网络，也不是一堆难以解释的正则项，而是一个朴素但很能打的常识——天体不会“发出负光子”。
作者的判断也很清楚：脏图里那些负值和振荡，并不是天空真的长这样，而多半来自不完整的uv覆盖和合成波束的旁瓣。于是，与其在全局上加一堆复杂惩罚项，不如每一步都把结果拉回“物理上说得通”的区域。这样做的好处是，算法不用先学一个大模型，也不用依赖训练集，更不会出现“训练得很像，换个天区就翻车”的经典剧情。

图1：点源模拟下，真实图、脏图与重建图的对比

Figure 1
这张图很适合用来理解问题本身：上面是空间域，下面是频域。脏图里那些圈圈状伪影，基本就是不完整采样在“刷存在感”；而重建结果则把大多数点源找回来了，旁瓣和环状伪影也被压下去不少。简单说，就是把“照片上被乱涂的笔迹”尽量擦干净。

算法揭秘：聚焦密集uv域，迭代重建全频谱

这套方法的名字很长，核心动作却不复杂：先在频域里挑出PSF幅度较大、覆盖较密集的区域，再在这些可靠信息上做迭代重建。换句话说，它不是一上来就和所有缺失频率硬刚，而是先抓住“证据最强”的部分，再一点点往外补。
论文里的实现流程可以概括成三步。第一步，把PSF做傅里叶变换，得到频域响应，并按幅度大小构造一个二值掩码，只保留最大的那部分频率模式。这里的Fourier retention fraction（傅里叶保留比例）记作 fc，它控制保留多少“可信频率”。第二步，对脏图去均值后做一次带掩码的逆滤波初始化，得到一个初始估计。第三步，在每次迭代中都执行非负投影：如果某些像素被更新成负值，就直接压回去，同时可选地在频域做一点高斯平滑，防止数值抖得太厉害。

图2：真实数据上的重建流程示意

Figure 4
这张图展示的是：只保留PSF幅度最大的10%频率分量，相当于把uv覆盖压得很稀疏。乍一看像“只拿了十成里的一个零头”，但作者正是想利用这些最可靠的信息，避免在低幅度区域被噪声和不稳定逆运算拖下水。这个策略很像先把地基打牢，再往上盖楼。
从思想上看，这个方法和常见的“最小化带正则项的目标函数”不太一样。很多方法会写成“数据保真项 + 稀疏正则 + 平滑正则 + TV正则”那一长串，像给模型穿了好几层棉袄。本文则更像先盯住数据保真，再用非负性做物理约束。它没有显式去追求一个复杂的全局正则最优解，而是通过迭代把缺失频率逐步补出来。这样做的直观优点是：结果更贴近观测数据本身，不容易被外加先验“拽偏”。
如果把它说得更白一点：这不是“脑补式重建”，而是“在已知物理约束下，把缺的那部分慢慢推出来”。它的前提也很明确——源是非负的，PSF的高频缺失会造成伪影，密集采样区的信息更可信。三个前提都成立，算法就有了立足点。

合成数据验证：点源与扩展源双管齐下

为了先把方法跑顺，作者先用了两组合成数据做验证。第一组是128×128的点源图，随机撒了100个点源，亮度在1到100之间。这个设置很像给算法出一道“基础题”：源结构简单，主要看能不能把点源位置和亮度找回来，同时别把旁瓣当成真信号。

图3：扩展源与点源混合场景下的重建效果

Figure 2
第二组数据把难度抬高了一点：256×256的图里同时包含扩展源和点源，并在频域里只保留0.04到0.4之间的归一化频率。这个实验更接近真实干涉观测，因为它不只是考察点源定位，还要看连续结构会不会被“切碎”。
Figure 3
放大图更能说明问题：扩展源的整体形态和细节都被较好保留下来，右下角的散点图还给出了r = 0.96的相关性。这个数值不算“宇宙级满分”，但在这种稀疏采样条件下，已经说明重建不是在瞎猜，而是确实抓住了主要结构。
更有意思的是，作者还观察到算法通常在几秒内就能收敛。对于512×512的图像，笔记本电脑上大约1到2秒就能跑完。这个复杂度近似随像素数线性增长，说明它不是那种“结果不错但跑得像在等火车”的方法。对天文成像这种要处理大规模数据的场景来说，速度本身就是很实在的优点。

与CLEAN正面交锋：SKA-Low PSF下的性能对比

真正有说服力的地方，还是和 CLEAN 的对比。作者把一个更现实的案例搬了出来：用SKA-Low PSF去处理星系 ESO 137-001 的512×512图像。这里的SKA指的是Square Kilometre Array，平方公里阵列，而 SKA-Low 则是其低频阵列部分。这个场景很关键，因为它不是玩具数据，而是更接近未来大科学装置实际会碰到的稀疏uv采样问题。
Figure 5
图里展示了真实图、脏图和重建图在空间域与频域中的对应关系。最直观的感受是：重建结果把扩展发射和紧致结构都保住了，频域里的恢复也更接近真实谱形。相比之下，脏图的旁瓣和环状伪影依然很扎眼，像是信号旁边站了一群爱抢镜的路人。
接着，作者把结果和 CASA 里的 CLEAN 做了对照。这里的 CLEAN 采用了较大的循环增益和较多迭代次数，已经算是比较认真地“招呼”过了，但它对扩展发射的处理还是偏碎，低表面亮度结构也不够完整。本文方法则更像是“一边补缺，一边守住形状”，因此在视觉上更接近真值。这个差异很重要，因为很多天文目标并不只是几个亮点，而是大片低亮度、连续分布的结构。
Figure 6
这张图是整篇论文里最有“正面硬刚”味道的一张：上面是全图对比，下面是局部放大。CLEAN 不是不行，而是在扩展结构上容易把连续形态拆散；本文方法则把大结构和细节同时保住了。对SKA这类追求高动态范围和弱信号恢复的任务来说，这种差异不是“好看一点”这么简单，而是会影响后续科学分析的质量。

定量评估：更高相关性，更低误差，更强动态范围

为了避免“看图说话”，作者还给出了三项常用指标：Pearson相关系数、RRMSE（Relative Root Mean Square Error，归一化均方根误差）和PSNR（Peak Signal-to-Noise Ratio，峰值信噪比）。前者看结构相似度，后两者看整体误差和重建质量。简单理解，相关系数像“长得像不像”，RRMSE像“差得多不多”，PSNR像“图像保真度高不高”。

表1：本文方法与 CLEAN 的重建性能对比

Table 1
从表1可以直接看出，本文方法在三个指标上都优于 CLEAN：相关性更高，误差更低，PSNR 也更高。这个结果和前面的视觉对比是互相呼应的，不是单纯“图片看着顺眼”，而是定量上也站得住。尤其在稀疏uv覆盖下还能保持更好的恢复质量，说明非负约束确实在发挥作用。
不过也要客观看待：这组实验是无噪声模拟。这意味着它先证明了“在理想条件下，方法能不能把主要问题解决”，但还没有完全回答“加上真实观测噪声后会不会继续稳”。这并不减弱论文的价值，只是说明它更像一把已经打磨好的刀，离真正上战场还需要继续补充更复杂的实测验证。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它解决的是射电干涉成像里的去卷积问题：在uv覆盖不完整时，如何把脏图尽量还原成更接近真实天空的图像。本文的做法是不靠训练、不靠复杂先验，而是利用非负性约束和频域掩码做迭代重建。

文中的 uv 覆盖和 PSF 分别是什么意思？uv覆盖是干涉仪在频域里采到的数据分布，覆盖越完整，能恢复的空间频率越多；PSF是点扩散函数，表示仪器对真实天空的模糊响应。uv覆盖不完整时，PSF会带来旁瓣和伪影，这也是脏图难看的根源。

为什么非负约束这么重要？因为天体辐射强度在物理上应当非负，负像素通常是采样不足和旁瓣造成的伪影。把非负性强行加进去，相当于给重建过程加了一个“物理底线”，能减少不合理振荡，并帮助补回缺失频率。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★☆☆

方法并没有把射电去卷积“发明重来”，但把非负物理约束和频域掩码结合得很干净，思路朴素却有效。

实验合理度：★★★☆☆

合成数据、扩展源、真实PSF和 CLEAN 对比都安排了，逻辑完整；但目前还是无噪声测试，真实观测下的说服力还差最后一脚。

学术研究价值：★★★★☆

对射电成像和稀疏频域重建都有启发，尤其适合高动态范围、低表面亮度结构的恢复问题，研究意义是实打实的。

稳定性：★★★☆☆

在无噪声和设定明确的场景下表现不错，但对真实噪声、复杂源结构和不同PSF的稳健性还需要更多验证。

适应性以及泛化能力：★★★☆☆

方法不依赖训练，泛化上天然占优；但它对“源应当非负”这一前提比较依赖，适用范围主要还是天文辐射重建。

硬件需求及成本：★★★★☆

计算量不大，线性扩展也比较友好，普通笔记本就能跑，属于“能落地、别太折腾硬件”的类型。

复现难度：★★★☆☆

算法本身不复杂，但频域掩码、参数选择和真实PSF构造会影响结果；如果后续代码公开，复现会更顺手。

产品化成熟度：★★★☆☆

在射电成像流水线里有潜力做快速去卷积模块，但要真正进产品，还得补上噪声、复杂源和多场景验证。

可能的问题：方法依赖非负先验且主要验证在无噪声模拟上，真实观测中的噪声、校准误差和更复杂uv采样下是否仍然稳定，是后续必须补的课。


主要参考文献

Le Zhang, Shiyu Li. A Non-Negativity Iterative Approach to Image Deconvolution for SKA. arXiv:2606.25631v1, 2026.
J. A. Högbom. Aperture Synthesis with a Non-Regular Distribution of Interferometer Baselines. A&AS, 15:417, 1974.
B. Bean et al. CASA, Common Astronomy Software Applications for Radio Astronomy. PASP, 134(1041):114501, 2022.

射电成像、图像恢复、迭代算法这些硬核论文，最怕的不是难，是没人帮你拆到骨头里。加入龙哥读论文粉丝群，和一群同路人一起把前沿论文看明白、聊透彻～

end
欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
wechat_helperdianzan
转发文章 微博 X LinkedIn Facebook
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。