🔬 optics

High-speed hyperspectral 3D ghost imaging LiDAR

该研究提出了一种结合随机宽带激光、单像素探测及时空编码的高光谱三维鬼成像激光雷达系统，通过脉冲分辨恢复空间与光谱信息，实现了每秒 60.5 MHz 线扫描速率、0.02 毫米测距精度及 1.4 纳米光谱分辨率，从而能够同时获取三维结构与化学特征信息。

原作者： Jing Hu, Wending Huang, Tianjian Lv, Ming Yan, Zhaoyang Wen, Zijian Wang, Yuan Chen, Zhuoren Wan, Mei Yang, Heping Zeng

发布于 2026-04-24

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jing Hu, Wending Huang, Tianjian Lv, Ming Yan, Zhaoyang Wen, Zijian Wang, Yuan Chen, Zhuoren Wan, Mei Yang, Heping Zeng

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种超级快的“超级 3D 相机”，它不仅能看清物体的形状和距离，还能瞬间“闻”出物体是什么化学成分。

为了让你更容易理解，我们可以把这项技术想象成给世界拍“全息电影”，而且这部电影里每一帧都包含了物体的“指纹”。

以下是用通俗语言和比喻做的详细解读：

1. 以前的痛点：慢吞吞的“盲人摸象”

传统的激光雷达（LiDAR，就像自动驾驶汽车用的那种）就像是一个拿着手电筒的人。他只能一点点地扫射，先测出距离，画出 3D 轮廓。
而如果要同时知道物体是什么材料（比如是塑料还是水），传统方法就像是在扫射的同时，还要拿一个巨大的棱镜把光拆开慢慢分析。

缺点：要么快但只能看形状，要么能看成分但速度慢得像蜗牛，而且设备笨重。这就好比你想在高速公路上识别每一辆车的颜色，但你的相机只能拍一张照片，还得等车停下来才能看清。

2. 这项新技术：像“暴雨”一样的光

作者团队发明了一种新方法，叫**“高光谱 3D 鬼成像”**。听起来很玄乎，其实原理很巧妙：

光源像“随机暴雨”：
他们用的不是普通激光，而是一种**“超级连续谱激光”。想象一下，普通激光是整齐划一的雨滴，而这种激光像是一场随机落下的暴雨**，每一滴雨（每一个光脉冲）的颜色（光谱）都是随机变化的，而且变化得极快。
- 比喻：就像你向目标扔了一堆颜色随机、形状各异的飞镖。
把光“切”成很多小片（时空编码）：
他们用一个特殊的装置（时空编码器），把这一束光切成了很多个小光点，像一排排整齐的子弹一样射向目标。
- 比喻：就像用一把多管机枪，瞬间射出几十发子弹，每一发子弹都去探测目标上不同的一个小点。
“鬼”在哪里？（单像素探测）：
最神奇的是，他们不需要在相机里放一个巨大的传感器阵列（像手机摄像头那样有百万个像素点）。他们只用一个探测器（单像素）来接收所有反射回来的光。
- 比喻：这就像你在一个黑暗的房间里，只有一只耳朵（单像素探测器）。虽然你看不见，但通过计算回声的强度和发射出去的光的随机图案之间的关联，电脑就能在脑海里“画”出房间的 3D 地图。这就是“鬼成像”——不需要眼睛，靠计算“猜”出图像。

3. 它是怎么同时做到“测距”和“认成分”的？

这个系统有两个“分身”在同时工作：

分身 A（测距离）：
光射出去，碰到物体弹回来。通过计算光飞回来的时间（飞行时间，ToF），就能知道物体离得有多远，从而画出3D 形状。
- 速度：快得惊人！每秒能扫描 6000 万行，相当于18 亿个点/秒。这比眨眼还快几千倍。
分身 B（认成分）：
在光射出去的同时，另一部分光被送进一根长长的光纤（色散光纤）。这根光纤像是一个**“时间拉伸器”**，把不同颜色的光按时间顺序排开。
- 比喻：原本混在一起的彩虹光，被拉成了一条长长的、按颜色排序的“光带”。
- 当物体反射回来的光与这条“光带”进行对比（相关性计算），电脑就能算出物体吸收了哪些颜色的光。因为每种化学物质（如苯、乙醇、塑料）都有独特的“光指纹”（吸收光谱），所以系统能瞬间识别出物体是什么。

4. 这项技术有多牛？（实际效果）

快如闪电：以前拍这种“带成分的 3D 图”可能需要几分钟甚至几小时，现在微秒级（百万分之一秒）就能完成。
看得很细：不仅能看清 3D 形状，还能分辨出1.4 纳米级别的光谱差异。
测得极准：测距精度达到了0.02 毫米（相当于头发丝直径的四分之一）。
实验演示：他们让机器看了一组字母"ECNU"，并在字母前放了不同的化学液体（苯、乙醇等）。机器不仅画出了字母的 3D 立体图，还立刻在图上标出了哪里是苯，哪里是乙醇，甚至能把它们区分得清清楚楚（通过主成分分析 PCA）。

5. 未来能用来做什么？

想象一下未来的应用场景：

自动驾驶：车不仅能避开障碍物，还能瞬间识别出路上掉的是有毒化学品还是普通水坑，从而决定是绕开还是停车。
农业监测：无人机飞过农田，不仅能画出庄稼的 3D 高度，还能一眼看出哪片叶子生病了（因为生病的叶子光谱会变化），或者缺什么肥料。
工业质检：在流水线上，瞬间检查零件的形状是否合格，同时确认它的材质有没有被偷换。

总结

这篇论文的核心就是：用“随机光”和“聪明算法”代替了笨重的“扫描镜”和“大相机”。它把原本需要慢慢做的“看形状”和“认成分”两件事，合并成了一次超高速的“光之扫描”，让机器拥有了像人类一样“看形状 + 辨材质”的超能力，而且速度快到肉眼无法捕捉。

这是一份关于《高速高光谱三维鬼成像激光雷达》（High-speed hyperspectral 3D ghost imaging LiDAR）论文的详细技术总结：

1. 研究背景与问题 (Problem)

现有局限： 传统的激光雷达（LiDAR）虽然能实现高精度的三维（3D）测距和成像，但在同时获取宽带光谱信息方面存在瓶颈。现有的高光谱 LiDAR 通常依赖波长扫描或光谱仪探测，这导致成像速度受限，难以满足动态场景需求。
技术挑战： 现有的计算成像方法（如基于 DMD 的压缩感知）虽然能实现视频速率的高光谱成像，但缺乏深度分辨率；而基于时间拉伸色散傅里叶变换（TS-DFT）的 LiDAR 虽然速度快，但难以同时获取完整的高光谱和三维空间信息。
核心痛点： 缺乏一种能够同时实现高速三维结构重建和宽带光谱化学识别的系统，且该系统需避免机械扫描和复杂的光谱仪阵列。

2. 方法论与系统原理 (Methodology)

该研究提出了一种**高光谱三维鬼成像激光雷达（Hyperspectral 3D Ghost Imaging LiDAR）**系统，其核心原理如下：

光源与编码： 使用随机调制的超连续谱激光源（Stochastic Supercontinuum Source）。每个脉冲携带独特的随机光谱轮廓，作为光谱鬼成像的编码基底。
双路架构：
1. 探测臂（Detection Arm）： 光束经过时空编码单元（Spatiotemporal Encoder, STE），将单脉冲转换为具有固定时间间隔（ $\Delta T$ ）和空间间隔（ $\Delta x$ ）的子脉冲序列。这些子脉冲依次照射目标，通过飞行时间（ToF）测量获取深度信息（ $z$ ），通过子脉冲索引获取横向坐标（ $x, y$ ），从而重建 3D 几何结构。
2. 参考臂（Reference Arm）： 利用**时间拉伸色散傅里叶变换（TS-DFT）**技术，通过色散光纤将光谱信息映射到时间域。每个脉冲的光谱被转换为时域波形，由高速光电探测器记录。
重建算法：
- 3D 成像： 基于 ToF 原理，通过探测臂回声与参考脉冲的时间相关性计算距离。
- 高光谱成像： 基于**光谱鬼成像（Spectral Ghost Imaging, SGI）**原理。将探测臂的积分强度（桶探测器信号）与参考臂的时域拉伸光谱波形进行二阶相关运算，从而重构出目标的光谱响应 $R(\lambda)$ 。
优势： 该系统仅需单像素探测器，无需空间分辨探测器或光谱仪，且光谱与空间信息在时域内并行编码和解码。

3. 关键贡献 (Key Contributions)

统一框架： 首次在一个系统中实现了并行 3D 飞行时间测量与宽带红外光谱鬼成像，消除了传统高光谱 LiDAR 的速度瓶颈。
超高速率： 实现了极高的数据采集速率。线扫描速率达到 60.5 MHz，点云采集速率（PAR）高达 1.8 GHz（在 2D 阵列模式下可达 3.3 GHz）。
高精度与高分辨率：
- 测距精度： 在 10 $\mu s$ 积分时间内，测距精度达到 0.02 mm。
- 光谱性能： 在 1100-1250 nm 波段内，实现了 1.4 nm 的光谱分辨率。
- 体素信息： 每个体素（Voxel）不仅包含 3D 坐标，还包含完整的光谱信息，支持化学识别。
单脉冲/单发能力： 系统支持单脉冲光谱重建，具备单发成像潜力，适用于动态场景。

4. 实验结果 (Results)

系统表征：
- 信噪比（SNR）随平均次数增加而提升，在 100 $\mu s$ 平均时间内达到 2300。
- 光谱随机性验证显示，不同波长分量之间的相关性极低（Pearson 相关系数 < 0.05），满足鬼成像对随机编码的要求。
- TS-DFT 光谱与稳态光谱仪（OSA）测量结果高度一致。
3D 成像演示：
- 对"ECNU"字母图案进行了 3D 点云重建，展示了不同深度的物体。
- 测距误差分布符合高斯分布，半高全宽（FWHM）约为 0.22-0.27 mm。
- 通过引入 1x16 光纤复用器，成功实现了 2D 点阵扫描（6x16 点），展示了无扫描（scan-less）3D 成像能力。
高光谱化学识别：
- 成功重构了苯、乙醇、甲苯和 PMMA 四种化学样品在 1100-1250 nm 波段的传输光谱，与傅里叶变换红外光谱仪（FTIR）结果吻合。
- 主成分分析（PCA）： 利用全高光谱数据立方体进行 PCA 分析，前三个主成分解释了 98.7% 的方差，四种化学样品在特征空间中形成了清晰分离的簇。相比之下，仅使用单波长（如 1192 nm）进行 PCA 分析时，样品分布高度重叠，无法区分。这证明了宽带光谱信息在材料分类中的关键作用。

5. 意义与展望 (Significance)

技术突破： 该研究打破了传统高光谱 LiDAR 在速度和复杂性上的限制，提供了一种无需机械扫描、无需光谱仪阵列的高速 4D（3D+ 光谱）感知方案。
应用前景：
- 环境监测： 实时识别污染物并绘制其空间分布。
- 精准农业： 同时评估植被的类型、健康状况和形态结构。
- 工业检测： 在高速生产线上进行 3D 结构监控与化学成分分析（如缺陷检测、材料分选）。
- 自动驾驶： 在复杂环境中提供兼具深度和材质信息的感知能力。
未来方向： 系统可通过增加光功率、扩展复用通道数量、结合单光子探测技术（用于低光环境）或压缩感知策略（减少数据量）进一步优化。此外，该技术可拓展至中红外波段（分子指纹区），具有极高的扩展性。

总结： 这项工作展示了一种革命性的 LiDAR 架构，通过结合随机光场、时空编码和计算成像，实现了前所未有的高光谱 3D 成像速度与精度，为下一代智能感知系统奠定了坚实基础。