作为一种典型的计算光学成像技术，压缩超快成像（CUP）能够在单次快照式拍摄中以极高的序列深度被动地捕获发生在皮秒甚至更短时间尺度的瞬时场景，在超快光学事件的探测、理解和应用领域具有重要的作用。然而，单次多帧的欠采样采集模式存在数据压缩率较高的问题，并进一步的导致最终重建得到的图像帧存在图像模糊的问题，降低了CUP的探测精度，严重限制了CUP对具有复杂空间信息的场景如Z箍缩等的观测。现有的一些方法试图通过提高硬件性能或优化重建算法来改善CUP的成像质量，却仅从其中一个方面考虑，将重建算法与硬件隔离开来，单纯的通过硬件或算法的调整也无法对最终结果产生明显改善。因此，目前还没有一种方法能够充分结合硬件和算法的优势，对最终成像结果进行协同提升。

为了克服这些限制，张诗按研究员带领的研究团队提出了一种基于自适应多通道融合的加权多尺度去噪压缩超快成像重构算法(MCMS-PnP)。在硬件上，如图1(A)所示，利用不同编码对待测图像进行多通道压缩采集（MC-CUP），获取多幅压缩二维图像，降低数据压缩率；在算法上，如图1(B)所示，首先引入权值超参数，使用加权多尺度去噪来去除ADMM迭代过程中的非高斯分布噪声，并通过深度融合MC-CUP采集的多幅压缩二维图像中的耦合信息自适应调整多尺度去噪权重超参数，最终实现硬件和算法的协同组合，提高图像重建质量。仿真和实验结果都表明，所提出的自适应多尺度去噪即插即用算法（MCMS-PnP）可以有效提高MC-CUP中重建图像的精度和质量，并将CUP的可探测范围扩大到具有精细结构的瞬时场景。相关研究成果发表于Optics Express 30(17), 31157-31170 (2022).

图1(A)多通道压缩超快成像(MC-CUP)的数据采集示意图；(B)基于自适应多通道融合的加权多尺度去噪压缩超快成像重构算法(MCMS-PnP)数据流程图。