1 基本概念
1.1 定义与研究对象
图像重建算法是指依据有限、间接或受损的观测数据，估计并恢复原始图像或其近似表示的一类方法。其研究对象既包括二维静态图像，也包括三维体数据、时序图像以及多通道成像结果。此类算法通常关注如何从不完整信息中重建出具有可用细节、清晰结构和较低失真的图像。
1.2 图像重建问题的来源
图像重建问题通常源于采集过程中的客观限制，例如传感器分辨率不足、采样率受限、成像环境复杂或信号传输受损。实际应用中，观测图像往往并非场景的直接投影，而是经过系统响应、噪声叠加和各种退化后的结果，因此需要通过重建算法进行修复与还原。
1.2.1 采样不足
采样不足是图像重建中最常见的诱因之一。当采样点数量少于完整描述场景所需的水平时，图像会出现细节缺失、锯齿、混叠或模糊等现象。此时，重建算法需要借助先验知识补足缺失信息。
1.2.2 噪声干扰
噪声会在采集、传输或存储过程中混入原始图像，使像素值偏离真实信号。常见干扰包括随机噪声、散粒噪声和传感器噪声等。重建算法不仅要尽量恢复结构，还要抑制噪声对视觉质量与后续分析的影响。
1.2.3 观测缺失与退化
观测缺失通常表现为局部遮挡、数据丢帧、坏点或传感器失效；退化则包括模糊、失焦、压缩失真和运动拖影等。此类问题会使图像内容不完整或失真明显，重建任务便是在可观测信息基础上尽可能恢复原貌。
1.3 图像重建的目标
图像重建不仅追求视觉上“看起来更清楚”，还要求在统计意义上尽量逼近真实场景。不同任务对重建结果的要求各不相同，有的强调边缘锐利，有的更注重灰度一致性，还有的需要保留空间结构和纹理关系。
1.3.1 质量恢复
质量恢复是最基础的目标，主要指提升图像清晰度、对比度和整体可读性，使受损图像达到可观察、可分析的状态。该目标通常对应噪声抑制、模糊消除和信息补全等操作。
1.3.2 细节补偿
细节补偿强调恢复纹理、边缘和局部结构，尤其适用于低分辨率或欠采样图像。优秀的重建结果应尽量减少“平滑化”倾向，以保持小尺度特征的表达能力。
1.3.3 结构保持
结构保持关注图像中物体轮廓、空间布局和几何关系的保真。对于医学诊断、缺陷检测等场景，结构信息往往比单纯的像素相似更重要，因此重建结果必须避免关键形态的扭曲。
2 数学基础
2.1 成像模型
成像模型用于描述真实场景如何经过系统变换生成观测图像。它是重建算法的理论起点，决定了待求解问题的形式。常见模型会把原始图像、退化过程和噪声项统一表示为数学方程。
2.1.1 线性成像模型
线性成像模型假设观测数据是原始图像经过线性算子作用后的结果，例如卷积、投影、采样或矩阵映射。该模型便于分析和求解，因此在许多经典重建方法中被广泛采用。
2.1.2 非线性成像模型
非线性成像模型用于描述更复杂的系统响应，例如饱和、散射、非均匀响应或非线性探测机制。此类模型更贴近真实过程，但求解难度通常更高，往往需要迭代优化或近似推断。
2.2 逆问题理论
图像重建本质上属于逆问题，即根据输出反推输入。由于成像过程常伴随信息丢失，逆问题往往比正向成像更难求解，因此需要借助额外假设、先验约束和数值方法来提高可恢复性。
2.2.1 病态性
病态性指问题对数据扰动极其敏感，微小噪声就可能导致重建结果大幅变化。图像重建中的病态问题十分常见，尤其在欠采样和模糊恢复场景下更为突出。
2.2.2 可解性与稳定性
可解性关注问题是否存在解以及解是否唯一；稳定性则考察当输入略有变化时，输出是否仍保持合理。一个实用的重建算法通常不仅要“有解”，还要确保解在数值上可稳定获得。
2.3 优化理论
许多重建算法可归结为优化问题，即通过最小化某种误差或能量函数来寻找最优图像。优化理论为算法设计提供了统一框架，也决定了求解效率与结果质量。
2.3.1 目标函数构建
目标函数通常由数据项和先验项组成。前者衡量重建结果与观测数据的一致程度，后者则用于刻画图像应具备的平滑性、稀疏性或结构规律。
2.3.2 约束条件设计
约束条件用于限制解的范围，例如非负性、边界范围、总能量限制或几何一致性约束。合理的约束设计能够减少无意义解，提高重建结果的可用性。
2.3.3 正则化方法
正则化是处理病态逆问题的重要工具，通过引入额外惩罚项抑制过拟合与噪声放大。常见形式包括平滑正则、稀疏正则和边缘保持正则等。
2.4 概率与统计基础
概率统计方法用于刻画观测过程中的不确定性，并为重建提供推断框架。与纯确定性方法相比，这类方法更能描述噪声、先验知识和数据分布之间的关系。
2.4.1 最大似然估计
最大似然估计以观测数据出现的概率最大为原则，寻找最可能生成这些数据的图像参数。该方法通常依赖噪声模型，适用于统计特征较明确的场景。
2.4.2 最大后验估计
最大后验估计在似然基础上加入先验分布，用于同时考虑数据解释能力与先验合理性。它是许多重建算法中最常见的概率建模方式之一。
2.4.3 贝叶斯推断
贝叶斯推断进一步给出未知图像的概率分布，而不仅是单一最优解。它能够表达不确定性，适合需要风险评估或置信分析的应用。
3 经典重建方法
3.1 解析重建方法
解析重建方法依据明确的数学公式直接求得图像结果，通常计算速度较快，适用于成像模型较理想、数据完整性较高的情形。
3.1.1 直接反演
直接反演通过求逆算子或近似逆算子恢复图像，是最直观的重建方式。其优势在于形式简洁，但对噪声和病态性往往较敏感。
3.1.2 滤波反投影
滤波反投影常见于投影类成像中，先对投影数据进行滤波，再将其反投影到图像空间。该方法实现成熟，速度较快，但对采样条件和噪声控制有一定要求。
3.2 迭代重建方法
迭代重建方法通过反复更新图像估计，使结果逐步逼近目标解。相比解析方法，它更灵活，能够处理更复杂的模型和约束。
3.2.1 代数重建技术
代数重建技术将成像问题表示为线性方程组，通过逐步修正像素值求解。它对稀疏或不规则采样较有适应性，因此在多种场景中被采用。
3.2.2 共轭梯度法
共轭梯度法适用于求解大型线性系统或二次优化问题，具有较好的收敛效率。它常用于需要快速近似解的重建任务中。
3.2.3 交替优化策略
交替优化策略将复杂问题分解为若干较易处理的子问题，依次更新不同变量。该方法有利于处理多约束、多项耦合的重建模型。
3.3 插值与补全方法
插值与补全方法主要用于处理缺失像素、低分辨率采样和局部空洞，通过估计未观测区域的数值来恢复图像连续性。
3.3.1 最近邻插值
最近邻插值以距离最近的已知像素值替代缺失点，计算简单，速度快，但容易产生块状感和边缘不平滑现象。
3.3.2 双线性与双三次插值
双线性与双三次插值利用周围多个像素的加权关系估计新值，结果通常比最近邻更平滑。其中，双三次插值在细节保留方面往往更优。
3.3.3 基于补全的重建
基于补全的重建不仅进行简单插值，还会利用图像的全局结构或局部相关性填补缺失区域。它常用于图像修复和局部遮挡恢复。
3.4 去噪与去模糊方法
去噪与去模糊方法面向退化图像的恢复问题，核心在于削弱干扰并尽量还原原始信号。它们在重建流程中常作为预处理或独立模块使用。
3.4.1 空域滤波
空域滤波直接在像素邻域内进行平滑或增强处理，例如均值滤波、中值滤波和边缘保持滤波。该类方法实现方便，但在细节保留方面存在一定局限。
3.4.2 频域恢复
频域恢复通过分析图像在频率空间中的分布来抑制噪声或补偿模糊。它适合描述周期性失真和卷积退化，但对模型准确性较为依赖。
3.4.3 盲反卷积
盲反卷积在未知模糊核的情况下同时估计图像和退化参数，难度较高。其优势是适用范围广，但通常需要较强先验和较复杂的优化过程。
4 现代重建方法
4.1 稀疏表示重建
稀疏表示重建利用图像在某种变换域中可被少量系数表达的特性，通过压缩表示与稀疏约束提升重建质量。
4.1.1 小波变换
小波变换能够将图像分解为多尺度、多方向的系数，便于分离边缘与平滑区域。它在图像去噪、压缩和重建中应用广泛。
4.1.2 字典学习
字典学习通过从数据中自动学习一组基元，使图像块能够更高效地稀疏表示。相较固定变换，它更具数据适应性。
4.1.3 压缩感知
压缩感知利用信号稀疏性和不相干采样原理，在低采样率下恢复原始图像。它为欠采样条件下的重建提供了重要理论基础。
4.2 低秩重建方法
低秩重建方法基于图像数据在矩阵或张量形式下存在冗余相关性的假设，通过低秩近似恢复缺失信息。
4.2.1 矩阵低秩近似
矩阵低秩近似将图像或图像块组织为矩阵，并假设其主要信息集中于少数主成分中。该方法适合处理结构重复较多的数据。
4.2.2 张量重建
张量重建面向多维数据，能够同时利用空间、时间和通道之间的关联。对于视频、医学体数据等高维场景尤其适用。
4.3 深度学习重建
深度学习重建利用神经网络从大量数据中学习复杂映射关系，能够在多种任务中实现较高质量的图像恢复。
4.3.1 卷积神经网络
卷积神经网络擅长提取局部纹理与层级特征，常用于去噪、超分辨率和去模糊重建。其结构适合图像类数据处理。
4.3.2 生成对抗网络
生成对抗网络通过生成器与判别器的对抗训练，提高重建图像的逼真程度和视觉细节。它在感知质量提升方面表现突出。
4.3.3 Transformer 重建模型
Transformer 重建模型依靠自注意力机制捕捉长距离依赖关系，适合建模全局结构与复杂纹理。近年来其在高分辨率图像恢复中受到重视。
4.4 物理模型驱动重建
物理模型驱动重建将成像机理与数据驱动方法结合，在网络结构或优化流程中显式嵌入成像约束，从而提升可靠性。
4.4.1 模型展开
模型展开把迭代优化过程转化为可训练网络层，使算法既保留数学结构，又具备数据学习能力。它兼顾可解释性与性能。
4.4.2 数据一致性层
数据一致性层用于确保重建结果与实际观测保持一致，避免网络生成与测量矛盾的内容。它在约束重建中十分关键。
4.4.3 可解释重建网络
可解释重建网络强调每个模块的物理含义和数学作用，便于分析、调试和验证。该方向有助于提高模型在复杂场景中的可信度。
5 算法流程与实现
5.1 数据预处理
数据预处理是重建流程的基础步骤，目的是减少输入数据中的格式差异、几何偏差和采集误差，为后续计算提供稳定输入。
5.1.1 归一化
归一化用于统一像素范围或信号尺度，降低不同样本之间的数值差异。它有助于提升算法训练和求解的稳定性。
5.1.2 配准
配准用于对齐多幅图像或多模态数据，使它们在空间位置上对应一致。对于融合重建和时序重建尤为重要。
5.1.3 伪影校正
伪影校正旨在消除采集或传输过程中引入的异常条纹、环状纹、重影等干扰。此步骤能显著改善重建输入的可靠性。
5.2 参数估计
参数估计涉及对模型参数、初始值和训练参数进行设定或学习，其合理性会直接影响算法收敛速度与最终质量。
5.2.1 初值设置
初值设置决定迭代算法从何处开始搜索。良好的初始估计有助于减少迭代次数，并降低陷入不佳局部解的风险。
5.2.2 超参数调优
超参数调优主要针对正则权重、学习率、迭代次数等非直接学习参数进行选择。合适的设置通常需要实验验证与任务经验结合。
5.3 迭代求解过程
迭代求解过程是许多重建算法的核心，通过逐轮更新逼近目标解。该过程往往涉及误差评估、梯度计算和变量修正。
5.3.1 收敛判据
收敛判据用于判断算法是否达到稳定状态，例如目标函数变化足够小或连续迭代增益低于阈值。它有助于避免无效计算。
5.3.2 步长选择
步长选择影响每次更新幅度，过大会导致震荡或发散，过小则使收敛过慢。合理步长是迭代算法效率的重要保证。
5.3.3 停止条件
停止条件包括达到最大迭代次数、误差低于阈值或结果变化趋于稳定等。明确的停止规则便于控制计算成本。
5.4 结果后处理
结果后处理用于对重建图像进行最后修饰，以提升视觉质量或减少局部瑕疵。它通常在重建主体完成后执行。
5.4.1 平滑处理
平滑处理可抑制高频噪声与细小波动，使图像观感更稳定。但过度平滑可能削弱纹理和边缘。
5.4.2 锐化增强
锐化增强通过突出边缘和细节提升图像清晰度，常作为视觉优化步骤使用。其效果取决于原始结果与处理强度。
5.4.3 伪影抑制
伪影抑制用于减少重建过程中产生的假结构、环纹或块效应。它是提高结果可信度的重要环节。
6 评价指标
6.1 客观评价指标
客观评价指标通过数值方式衡量重建质量，便于不同算法之间进行定量比较。它们常用于实验评估与方法筛选。
6.1.1 峰值信噪比
峰值信噪比衡量重建图像与参考图像之间的误差程度，数值越高通常表示失真越小。它是常用的图像质量指标之一。
6.1.2 结构相似性
结构相似性主要从亮度、对比度和结构三个方面比较两幅图像的相近程度。它更关注人眼感知中的结构一致性。
6.1.3 均方误差
均方误差用于计算像素差值的平方平均，反映重建结果与真值之间的整体偏离程度。该指标易于计算，但不完全对应视觉感受。
6.2 主观评价指标
主观评价指标依赖观察者对图像质量的直接判断，能够补充纯数值指标的不足。它更接近实际使用体验。
6.2.1 人工视觉评估
人工视觉评估由普通观察者根据清晰度、自然度和可辨识性进行判断。此方法简单直观，但受个体差异影响较大。
6.2.2 专家打分
专家打分通常由具有专业背景的人员结合应用场景进行评价。它在医学、工业和科研任务中具有较高参考价值。
6.3 任务导向评价
任务导向评价关注重建结果是否有利于后续分析，而不仅仅是图像看起来是否清楚。这类指标更强调实用效果。
6.3.1 检测性能
检测性能衡量重建图像是否有助于目标检出与异常发现。它常用于医学筛查和工业质检场景。
6.3.2 分割性能
分割性能评估重建图像是否便于区域划分和轮廓提取。对于自动化分析系统来说，这一指标十分重要。
6.3.3 识别性能
识别性能关注重建结果对分类、识别和判别任务的支持程度。若重建改善了关键信息保留，识别准确率通常会提高。
7 典型应用
7.1 医学影像重建
医学影像重建是图像重建最重要的应用方向之一，旨在从受限采集条件下恢复可诊断图像，为临床观察和辅助分析提供支持。
7.1.1 CT 重建
CT 重建主要依据投影数据恢复人体内部截面图像，常见于断层成像系统中。其要求兼顾清晰度、速度和辐射控制相关的采样限制。
7.1.2 MRI 重建
MRI 重建通常面对欠采样和信噪比限制，需要通过数学模型或学习方法恢复高质量图像。它在缩短扫描时间方面具有重要意义。
7.1.3 超声图像重建
超声图像重建用于改善散斑噪声较强、分辨率受限的超声数据。其目标是提高组织边界和局部结构的可见性。
7.2 遥感与天文成像
该类应用通常面临大尺度、远距离和观测条件复杂等问题，重建算法可用于增强图像细节并恢复被弱化的信息。
7.2.1 卫星遥感重建
卫星遥感重建用于修复受云层、采样间隔或传感器限制影响的图像数据。它有助于提升地表信息的解析能力。
7.2.2 天文图像恢复
天文图像恢复面向星体成像中的模糊、噪声和弱信号问题。通过重建可提高暗弱目标的可辨识度。
7.3 工业视觉检测
工业视觉检测依赖高质量图像识别表面缺陷、尺寸偏差或结构异常，因而对重建算法的稳定性和细节保真度要求较高。
7.3.1 无损检测
无损检测借助成像重建观察材料内部或表面状态，而不破坏被测对象。它广泛用于质量控制和安全检查。
7.3.2 缺陷修复
缺陷修复通常用于改善图像中因遮挡、污损或采集不完整导致的局部问题，使后续检测更为可靠。
7.4 计算摄影
计算摄影将图像采集与算法处理结合，通过重建提升手机、相机和移动设备在复杂环境中的成像能力。
7.4.1 低照度增强
低照度增强通过重建提升暗光环境下的亮度和细节可见性，同时尽量控制噪声放大。它在夜景拍摄中很常见。
7.4.2 运动模糊恢复
运动模糊恢复针对拍摄抖动或目标运动造成的拖影问题，通过估计退化并还原清晰轮廓。该任务对动态场景尤为重要。
7.4.3 超分辨率重建
超分辨率重建旨在从低分辨率图像生成高分辨率版本，增强边缘与纹理表达。它是计算摄影中的代表性任务之一。
8 性能挑战与发展趋势
8.1 速度与精度权衡
重建算法通常难以同时兼顾高精度与低时延。解析法往往更快，而复杂模型可能更准确但计算量更大，因此实际应用中需要根据场景选择平衡点。
8.2 鲁棒性与泛化能力
算法在不同噪声水平、不同设备或不同数据分布下是否稳定，是评价其实用性的关键。泛化能力不足会限制其跨场景应用。
8.3 数据稀缺与标注成本
高质量配对数据通常难以获取，尤其在医学和工业领域更为明显。数据不足会影响模型训练质量，也增加验证难度。
8.4 可解释性与可验证性
随着方法复杂度提升，用户越来越重视算法为何有效、在哪些条件下可靠。可解释性和可验证性因此成为重要研究方向。
8.5 面向实时应用的优化
实时成像场景要求算法在较短时间内输出结果，这推动了轻量化网络、并行计算和高效求解策略的发展。高效实现已成为落地应用的核心条件之一。
8.6 多模态融合重建
多模态融合重建利用来自不同传感器或不同成像机制的信息互补，提高恢复精度和结构完整性。该趋势有助于增强复杂场景下的成像能力。