在现代科学和工业领域中，高速相机技术已经成为研究动态过程的关键工具，例如捕捉子弹穿过苹果的瞬间，或记录汽车碰撞实验过程中的细节。然而，传统方案要么依赖天价的高速传感器，要么需要配备笨重的光学编码设备。
现在，一种创新的技术正在改变这一局面：基于犀灵的像素级可编程智能视觉传感器芯片，我们可以实现更小、更便宜、更高效的超高速相机。
传统方案的"枷锁"
当前实现高速成像主要有两种路线：
第一种是直接使用超高速工业相机，通常依赖于高速图像传感器，这些传感器不仅价格昂贵，还通常需要依赖于海外供应商，整机售价高达数十万元。此外，高速传感器在拍摄高速场景时会产生极大的数据量，要求后端具备庞大的存储系统来存储和处理这些数据。这种对数据存储的需求极大限制了长时间连续工作的可能性，增加了设备的复杂性和成本。
第二种是采用DMD数字微镜设备进行光学编码，通过压缩感知算法从单帧图像中还原高速动态，但这种方案需要外接较大尺寸的光学模组，系统复杂且难以维护。
“像素编程”的破局之道
与之相比，我们的方法利用了一种名为“压缩感知”的新型视频压缩技术，它的核心思想是通过精确设计的像素曝光模式，在传感器内部直接对光信号进行编码。这种编码方式不是逐一拍摄和存储高速图像，而是在芯片内部利用可编程像素阵列实时压缩高速视频数据，从而大幅降低了输出数据的数量。
具体来说，犀灵的芯片是一种具备内置处理能力的智能视觉传感器芯片，每个像素都能单独编程，独立控制曝光时间。这意味着我们可以对场景中不同位置的像素进行不同的曝光模式设置，从而实现“空间-时间”编码。这种方法使得我们无需使用传统高速计算光学系统所需的数字微镜装置（DMD）或其他空间光调制器（SLM），因此系统整体成本大幅降低，尺寸也更为紧凑。
编码完成后，解码过程则通过外部计算芯片实现。具体计算方法是首先获取传感器芯片输出的压缩数据，然后利用压缩感知重构算法进行图像恢复。这种算法通常使用稀疏优化的方法，例如凸优化或者基于深度学习的重构神经网络。通过这些方法，我们能够有效地恢复出原始的高速影像序列。
特别值得一提的是，我们采用了一种端到端（End-to-End）的优化方法，联合优化了像素曝光编码与图像重构算法。这种联合优化方式能够显著提高系统整体的性能表现，具体体现在更高的图像重建质量、更佳的信噪比以及更强的鲁棒性。同时，通过学习优化的像素曝光模式，传感器能够更高效地捕获场景中最关键的信息，进而进一步减少对后续处理资源的需求。
此外，通过这项技术，我们的系统能够实现超高速拍摄的同时极大地减少数据输出量。这意味着系统不再需要庞大的后端存储设备，从而能够在低存储空间条件下进行长时间的连续工作。对工业用户而言，这不仅节约了大量的存储成本，更使得长时间监测高速生产线、捕捉关键工业过程成为可能。
革命性的优势
总结起来，相比传统超高速相机，基于我们芯片的高速视频压缩感知技术具备显著的优势：
更低的整体成本：无需昂贵的高速图像传感器和空间光调制器，可节约数万元成本。
更紧凑的系统尺寸：芯片内置计算能力，设备体积大幅减小，整机尺寸可压缩到烟盒大小，轻松嵌入各类工业设备。
大幅降低的数据量：无需庞大的存储系统，可长时间持续工作。单张编码图像包含数百帧动态信息，1分钟连续拍摄仅产生1GB数据，普通U盘即可存储数小时记录。
更低的功耗：芯片级运算，典型功耗仅数W，电池供电即可长时间工作。
高效的解码过程：通过稀疏优化和深度学习算法快速恢复图像。
显著的性能提升：端到端联合优化曝光和重构算法，大幅提高图像质量与系统效率。
开启智能感知新时代
这项技术正在重塑高速成像的产业格局。在半导体检测、生物医学研究、航空航天等领域，工程师们不再受限于天价设备和海量数据。未来通过与5G、边缘计算结合，更可实现在线实时分析，让"毫秒级故障捕捉"、"微米级运动追踪"成为工业4.0的标配能力。当传统方案还在追逐更高的帧率和分辨率时，像素编程技术已经开辟了"更智能、更经济、更可持续"的新赛道。这不仅是光学技术的突破，更预示着传感器正从"被动记录"向"主动思考"进化，开启了一个属于智能感知的新纪元。
