讲解手册：Compressive Unlimited Sampling for MRI and Hyperspectral Imaging

第 1 页 · Summary

这页回答什么：整场汇报的结论和要讨论的想法，一页看完。

页面内容逐项解释

1. In MRI the k-space center sets the ADC range. MRI 中 k-space 中心的信号最强，ADC 的量程必须照顾它。临床 3 T 最多需要约 15 bit，扫描仪的 ADC 加过采样能覆盖（Gabr 2009）；小鼠全身 7 T 扫描需要 20 bit（Behin 2005）；贴在线圈上的数字化器目前只有约 13.5 bit（Sporrer 2017）。
2. MRI reconstruction tools could accommodate modulo data. 现有 MRI 重建方法在结构上能接入 modulo 数据：Chung & Ye 的扩散模型把"数据一致性"做成独立的线性一步；BJORK 学习轨迹时已有硬件惩罚项，████████████。注意是 "could"，论文本身没有处理 modulo 数据。
3. Every compressive spectral measurement sums many bands. 压缩光谱成像每次测量都要累加很多波段：Yuan 综述说 8-bit 相机重建后每个波段只剩约 4 bit；Bian 的宽带片上滤光片比窄带滤光片透光多。
4. Single-pixel hyperspectral video is the closest match to CUS. Xu 2024 是单探测器、一串顺序测量，最接近 CUS；但它的 pattern 是伪随机的，相邻测量不平滑。
5. Four ideas for discussion. 四个想法，最后两页展开。

底部小字：CUS、modulo ADC、k-space 的一句话定义；单像素成像论文放在 Backup。

怎么讲：只读每条粗体句，最后说"单像素成像的三篇放在 Backup，时间关系不展开"。

English script（可直接照读）：

This page is the summary of the whole talk. First, in MRI, the k-space center sets the ADC range. Clinical 3 tesla needs at most about 15 bits, and the scanner ADC with oversampling can cover it. Mouse whole-body scans at 7 tesla need 20 bits. On-coil digitizers today have only about 13.5 bits. Second, MRI reconstruction tools could accommodate modulo data. I say 'could', because the papers do not handle modulo data. Third, every compressive spectral measurement sums many bands. Fourth, single-pixel hyperspectral video is the closest match to CUS, but its patterns are pseudo-random, not smooth. Finally, I have four ideas for discussion, on the last two pages. The three single-pixel imaging papers are in the Backup. Because of time, I will not go through them.

可能被问到的问题

• Q：为什么只选这 7 篇？ A：按"近期 + 引用较多 + 和 CUS 相关"挑选，MRI 3 篇、高光谱 4 篇；经典论文（如 Lustig 2007 Sparse MRI、Wagadarikar 2008 CASSI）已经去掉；唯一保留引用的老论文是 Behin 2005，因为它是 MRI 动态范围问题的直接证据。不是穷尽调研（结论页对比表底部有写）。
  • EN Q: "Why did you choose these 7 papers?"
  • EN A: "I picked papers that are recent, well cited, and related to CUS. There are 3 MRI papers and 4 hyperspectral papers. I removed classic papers, like Lustig 2007 Sparse MRI and Wagadarikar 2008 CASSI. The only old paper I kept is Behin 2005, because it is direct evidence of the MRI dynamic range problem. This is not a complete survey; the table on the conclusion page says so."
• Q：单像素成像为什么放 Backup？ A：这次重点是 MRI 和高光谱；单像素成像的思路在高光谱的 Xu 2024 里已经体现。
  • EN Q: "Why is single-pixel imaging only in the Backup?"
  • EN A: "This talk focuses on MRI and hyperspectral imaging. The single-pixel idea already shows up in the hyperspectral paper by Xu 2024."

生词表

第 2 页 · CUS 原理

英文标题：CUS works when measurement patterns change smoothly in sequence

这页回答什么：CUS 是什么；一个应用要具备什么条件才适合 CUS。后面每篇论文都用这一页的三个条件来衡量。

页面内容逐项解释

• 公式 y = M_λ(AΦα)：信号 x = Φα 在字典 Φ（如 DCT）下稀疏；A 是测量矩阵（每一行是一个测量 pattern）；M_λ 是 modulo 运算。
• 四步：
  1. Measure：做压缩测量 Ax（测量次数少于信号长度）。
  2. Fold：modulo ADC 把每个测量值折进 [−λ, λ)，永不饱和。
  3. Difference：对相邻测量做差分，折叠只表现为若干个大小为 2λk 的跳变（k 是整数）。
  4. Recover：两阶段 OMP，先联合估计信号和跳变，把跳变取整到格点 2λℤ 上，再重新估计信号。
• Key idea：测量 pattern（A 的行）一个接一个平滑变化，相邻测量值就接近，跳变少（稀疏），恢复容易。
• What an application must offer（三个条件）：
  1. ADC 覆盖不了的动态范围；
  2. 测量按顺序进行，每次测量是很多项的和；
  3. 能控制 pattern 的顺序或平滑程度。

怎么讲：一句话版本——"CUS 用 modulo ADC 避免饱和，靠相邻测量平滑变化让折叠跳变稀疏，然后用两阶段 OMP 恢复"。最后强调三个条件，"后面每篇论文我都按这三点评价"。

English script（可直接照读）：

CUS stands for Compressive Unlimited Sampling. The model is y equals M lambda of A Phi alpha. The signal is sparse in a dictionary Phi, like the DCT. A is the measurement matrix, and M lambda is the modulo operation. There are four steps. First, we take compressive measurements. Second, the modulo ADC folds each value into minus lambda to lambda, so it never saturates. Third, we take differences of neighboring measurements. Then folding only shows up as a few jumps of 2 lambda times an integer. Fourth, a two-stage OMP recovers the signal. In one sentence: CUS uses a modulo ADC to avoid saturation, smooth patterns make the jumps sparse, and two-stage OMP recovers the signal. An application needs three things: dynamic range the ADC cannot cover, sequential measurements that each sum many terms, and control over the order or smoothness of the patterns. I will judge every paper by these three points.

可能被问到的问题

• Q：为什么差分后折叠变成稀疏跳变？ A：y = u − 2λk，差分后 Δy = Δu − 2λΔk。如果 k 大部分时间不变（相邻测量都在同一"圈"里），Δk 大多为 0，只在跨圈时非零，所以是稀疏的。
  • EN Q: "Why do the folds become sparse jumps after differencing?"
  • EN A: "We have y equals u minus 2 lambda k. After differencing, delta y equals delta u minus 2 lambda delta k. If k stays the same most of the time, delta k is mostly 0. It is non-zero only when we cross into a new fold. So the jumps are sparse."
• Q：pattern 太平滑有没有坏处？ A：有。太平滑时差分后的测量矩阵各列太像（相干性 μ_aug 变大），也会放大噪声。论文里用随机游走步长 σ_A 在"跳变少"和"可区分性"之间折中。
  • EN Q: "Is there a downside if the patterns are too smooth?"
  • EN A: "Yes. If the patterns are too smooth, the columns of the differenced matrix look too similar. The coherence, mu aug, gets larger, and noise is also amplified. The paper uses the random-walk step size, sigma A, to balance fewer jumps against being able to tell columns apart."
• Q：为什么要取整到格点？ A：真实跳变一定是 2λ 的整数倍；第一阶段的估计有误差，取整后若误差小于 λ 就能精确恢复跳变，第二阶段只需估计信号。
  • EN Q: "Why do you round the jumps to the lattice?"
  • EN A: "A true jump is always an integer multiple of 2 lambda. The first-stage estimate has some error. If that error is smaller than lambda, rounding gives the exact jumps. Then the second stage only needs to estimate the signal."

生词表

第 3 页 · MRI 成像原理

英文标题：An MRI scanner measures the Fourier transform of the image along gradient-driven paths

这页回答什么：MRI 采集的数据是什么；接收链长什么样；有哪些采样轨迹。

页面内容逐项解释

• Signal model：
  • 氢原子核（自旋）在主磁场 B₀ 中以与磁场强度成正比的频率旋转（进动，Larmor 频率）。
  • 梯度线圈让磁场随位置线性变化（G(t)·r），不同位置转速不同，于是每个位置积累不同的相位——位置被编码进了相位。
  • 线圈收到的是所有位置的总和：s(t) = ∫ρ(r) e^{−i2π k(t)·r} dr，正好是图像 ρ 的傅里叶变换在 k(t) 处的值。
  • k(t) ∝ ∫₀ᵗ G(τ)dτ：k 是梯度对时间的累积（"梯度面积"）。控制梯度波形就能控制在 k-space 里沿什么路径采样。
• Each ADC sample is one Fourier coefficient：每个 ADC 采样就是图像的一个傅里叶系数（忽略线圈灵敏度）。
• Receiver chain（接收链）：接收线圈 → 前置放大器 → 解调到基带 → I、Q 两路各一个 ADC。MRI 信号是复数，实部（I）和虚部（Q）分别数字化，所以 modulo ADC 会分别折叠两路。
• Sampling paths：
  • Cartesian（笛卡尔）：每次激发采一条直线，图像 = 逆 FFT。
  • Non-Cartesian（radial 径向、spiral 螺旋）：激发次数少，需要非均匀 FFT（NUFFT）重建。
  • Acceleration（加速）：少采一些线或 shot，再用先验（稀疏、网络）补全，这就是压缩感知 MRI。
• Conclusion：每个采样对整幅图求和、按连续路径顺序到达、欠采样时就是压缩测量——结构上符合 CUS；前提是相邻采样变化小。

怎么讲：重点讲公式下面那句"每个 ADC 采样是一个傅里叶系数，梯度控制采样路径"，再指一下 I/Q 两个 ADC。轨迹图一带而过。

English script（可直接照读）：

An MRI scanner measures the Fourier transform of the image. The main field makes the spins precess. Gradient coils make the field change with position, so position is coded in the phase. The coil adds up the signal from all positions. So each ADC sample is one Fourier coefficient of the image, and the gradients control the path in k-space. Here is the receiver chain: the coil, the preamplifier, demodulation to baseband, and then two ADCs, one for I and one for Q. A modulo ADC would fold each of them separately. The sampling paths can be Cartesian, radial, or spiral. So each sample sums the whole image, samples arrive in order along a path, and with undersampling they are compressive measurements. This fits CUS, if neighboring samples change slowly.

可能被问到的问题

• Q：为什么是傅里叶变换？ A：梯度使相位随位置线性变化，相位因子 e^{−i2πk·r} 正是傅里叶核；线圈对所有位置积分，所以得到傅里叶系数。
  • EN Q: "Why is it a Fourier transform?"
  • EN A: "The gradient makes the phase change linearly with position. The phase factor, e to the minus i 2 pi k dot r, is exactly the Fourier kernel. The coil integrates over all positions. So we get Fourier coefficients."
• Q：多线圈怎么办？ A：每个线圈有自己的接收链和 ADC，测到的是"图像 × 该线圈灵敏度"的傅里叶变换；并行成像（parallel imaging）利用多线圈冗余加速。
  • EN Q: "What about multiple coils?"
  • EN A: "Each coil has its own receiver chain and ADC. It measures the Fourier transform of the image times that coil's sensitivity. Parallel imaging uses this redundancy across coils to speed up the scan."
• Q：一次激发采一条线，"顺序"指什么？ A：一条读出线（readout）内部的采样点是按时间顺序连续采的，CUS 的差分就沿这个顺序做。
  • EN Q: "If one excitation gives one line, what does 'in sequence' mean here?"
  • EN A: "Inside one readout line, the samples are taken one after another in time. CUS takes the differences along this order."
• Q：全采样的 MRI 也是压缩测量吗？ A：不是。只有欠采样（加速）时测量数少于未知数，才是压缩的。
  • EN Q: "Is fully sampled MRI also a compressive measurement?"
  • EN A: "No. Only with undersampling, or acceleration, are there fewer measurements than unknowns. Only then is it compressive."

生词表

第 4 页 · MRI 的动态范围问题

英文标题：The k-space center sets the ADC range; clinical scanners cope, on-coil digitizers fall short

这页回答什么：为什么 MRI 需要很多 bit 的 ADC；临床、临床前、线圈上数字化三种情况各需要多少、现在够不够。

页面内容逐项解释

• Why the range is large（左栏）：
  • k = 0 处的采样 s(0) = ∫ρ(r)dr 是整幅图像的和，通常远大于其他采样。
  • 幅值随 |k| 快速下降；外圈采样对应边缘和细节，接近热噪声水平。
  • 固定增益时，中心不能削顶 → ADC 满量程由峰值决定 → 最低有效位（LSB）随之确定；同时量化噪声必须低于边缘处的热噪声，否则细节被量化噪声淹没。两个要求一起决定需要多少 bit。
  • 示意图：横轴 k_x，纵轴 log|s|；红色虚线是 ADC 满量程，底部阴影是热噪声。注明了是示意图，不是数据。
• How many bits are needed（右栏，标题旁注明 1 bit ≈ 6 dB）：
  • 临床 3 T（人体，表面线圈和阵列，含 3D）：信号低于约 15 bit（88 dB）。扫描仪用 14-bit ADC 加过采样，有效约 17 bit，并在 k-space 中心附近额外衰减（Gabr 2009）。→ 够用。
  • 临床前：小鼠全身 7 T 扫描需要 20 bit；在 16-bit 系统上，扫描中切换接收增益让图像 SNR 提高 8 倍（Behin 2005）。→ 不够，靠增益切换。
  • 线圈上数字化（通道越来越多，用光纤代替同轴电缆）：目前约 13.5 bit（81 dB）（Sporrer 2017、Fan 2021），低于临床需要。→ 不够。
  • 后面三篇近期 MRI 论文都没讨论 ADC 位深。
• Conclusion：临床 3 T 的控制台 ADC 靠过采样和增益控制能应付；短板在高场临床前扫描和低功耗的线圈上数字化。相邻 k-space 采样变化多快（决定跳变数量）在所调研的论文里没有研究。

怎么讲："k-space 中心是整幅图的和，最大；边缘是细节，接近噪声，所以 ADC 要很多 bit。临床 3 T 实测约 15 bit，现在的扫描仪有效 17 bit，够用；小鼠全身 7 T 要 20 bit，不够；现在的趋势是把 ADC 放到线圈上，这类低功耗方案只有约 13.5 bit，也不够。后者是 modulo ADC 最可能有用的地方。"

English script（可直接照读）：

The k-space center is the sum of the whole image, so it is the largest sample. The edge of k-space holds the details, and it is close to the noise level. So the ADC needs many bits. This plot is a schematic, not real data. For clinical 3 tesla, the measured signal is within about 15 bits, or 88 dB. Today's scanners have about 17 bits effective, so that is enough. A mouse whole-body scan at 7 tesla needs 20 bits, so that is not enough. The trend now is to put the ADC on the coil. These low-power designs have only about 13.5 bits, or 81 dB. That is also not enough. This last case is where a modulo ADC is most likely to help.

dB 与 bit 的关系

动态范围 = 最大信号 / 最小可分辨信号（通常是噪声）。两种写法：

• dB：20·log₁₀(最大/最小)。射频、信号测量领域习惯用 dB（如 Gabr 的实测）。
• bit：n 位 ADC 能分辨 2ⁿ 级，能覆盖的比值是 2ⁿ。
• 换算：20·log₁₀2 ≈ 6.02，所以 1 bit ≈ 6 dB；bit = dB / 6.02。（严格地，理想 ADC 对满量程正弦的量化信噪比是 6.02n + 1.76 dB，口头换算用 6 dB/bit 即可。） "Dynamic range is the largest signal over the smallest signal we can resolve. Each extra bit doubles the range, and that is about 6 dB. So 13.5 bits is about 81 dB, 15 bits is about 88 to 90 dB, 16 bits is about 96 dB, and 20 bits is about 120 dB."

可能被问到的问题

• Q：Behin 是 2005 年的，现在的 ADC 是不是已经够了？ A：临床 3 T 基本够用；但有三类情况仍然紧张。 Gabr 等 2009 年在 3 T 人体上实测，表面线圈和阵列的信号低于约 15 bit（88 dB，含 3D），扫描仪用 14-bit、80 MHz 的 ADC 加过采样，有效约 17 bit，再加上 k-space 中心附近的额外衰减，就能覆盖。仍然紧张的是：(1) 高场临床前、整体线圈（Behin 的 20 bit）；(2) 放进磁体、贴在线圈上的低功耗数字化，目前约 13.5 bit；(3) 高场直接射频采样时，时钟抖动会吃掉有效位数。详见下面的专题：现在的 MRI ADC 够不够用。
  • EN Q: "Behin is from 2005. Aren't today's ADCs already good enough?"
  • EN A: "For clinical 3 tesla, mostly yes. Gabr and colleagues measured in 2009 at 3 tesla on people. Surface coil and array signals stayed below about 15 bits, or 88 dB, including 3D. The scanner used a 14-bit, 80 megahertz ADC with oversampling, so about 17 bits effective, plus extra attenuation near the k-space center. Three cases are still tight. First, high-field preclinical whole-body coils, where Behin needs 20 bits. Second, low-power digitizers on the coil, inside the magnet, with about 13.5 bits today. Third, direct RF sampling at high field, where clock jitter eats effective bits."
• Q：20 bit 和 16 bit 差多少？ A：差 4 bit，即幅度比差 2⁴ = 16 倍（约 24 dB）。
  • EN Q: "How big is the difference between 20 bits and 16 bits?"
  • EN A: "It is 4 bits. That is a factor of 2 to the 4, which is 16 times in amplitude, or about 24 dB."
• Q：gain stepping 怎么做？ A：k-space 中心附近用低增益避免削顶，外圈用高增益提升弱信号，重建时再按增益比例校正。
  • EN Q: "How does gain stepping work?"
  • EN A: "Near the k-space center, we use low gain so the signal does not clip. In the outer part, we use high gain to boost the weak signal. In reconstruction, we correct each part by its gain ratio."
• Q：为什么说"折叠跳变多少没被研究"？ A：动态范围讨论的是幅度跨度；CUS 关心的是相邻采样之间变化多快，这一点所调研的论文都没涉及。（如有人追问，可口头补充：我们在 Shepp–Logan 体模上做过粗略检查，中心读出线上相邻采样折叠圈数不同的比例约 31%，8 倍读出过采样后约 12%。这是我们自己的初步模拟，不在 slides 上。）
  • EN Q: "Why do you say the number of folding jumps has not been studied?"
  • EN A: "Dynamic range is about the span of amplitudes. CUS cares about how fast neighboring samples change. None of the papers I reviewed looks at this. If needed: we did a rough check on a Shepp-Logan phantom. On the center readout line, about 31 percent of neighboring samples are in different folds. With 8 times readout oversampling, it is about 12 percent. This is our own preliminary simulation. It is not on the slides."

专题：现在的 MRI ADC 够不够用

（对应第 4 页的追问；调研于 2026-10-29。每条都注明出处，我们的推断单独标出。动态范围用 bit 表示、括号附 dB，换算见上面的 dB 与 bit 的关系。）

一句话结论：临床 3 T 系统在控制台用"14–16 bit 高速 ADC + 过采样抽取 + 按 k-space 位置调增益"，有效约 17 bit，能覆盖实测信号（约 15 bit 以内）；位深仍然不够的，是高场/临床前整体线圈（约 20 bit）、贴在线圈上的低功耗数字化（约 13.5 bit）、以及高频直接采样时的时钟抖动。第二类正是 modulo ADC 可能有用的地方。

1. 实测：临床 3 T 信号需要多少 bit

• Gabr et al., J. Magn. Reson. 2009（Johns Hopkins，Philips Achieva 3 T，人体 + 体模）[1]：
  • 典型 3 T 人体表面线圈信号：低于约 15 bit（88 dB），包括 3D 采集；心脏、脊柱阵列 低于约 12.5 bit（75 dB）；头部阵列低于约 15 bit（88 dB）。
  • 最高值：心脏阵列做 3D SSFP 体模，带宽 499 kHz，约 16 bit（96.2 dB）。
  • 人体 2D 图像都低于约 13.6 bit（82 dB）；人体 3D 最高约 14.6 bit（88 dB）。
  • 早期文献估计 21–32 bit（125、150、193 dB），被这篇实测否定（偏高）。
  • 1.5 T 比 3 T 约少 1 bit（6 dB；SNR 与 B₀ 成正比）。
  • 建议设计时再留约 1.7 bit 余量（10 dB）。
  • 他们的扫描仪：14-bit ADC、80 MHz 采样；在 500 kHz 带宽下过采样相当于多 3.16 bit，有效约 17 bit（103 dB）。接收链里还有"按 k-space 位置调整的放大"（中心附近额外衰减）。
  • 所以：需要约 15 bit + 1.7 bit 余量 ≈ 16.3 bit，扫描仪有效 17 bit，够用但余量不大。
• 对比 Behin 2005（slides 第 4 页）：小鼠全身 7 T 扫描需要 20 bit（约 120 dB），16-bit 谱仪上用增益切换让 SNR 提高 8 倍 [2]。这是临床前、高场、整体覆盖的极端情况，比 Gabr 的临床表面线圈多约 5 bit。
• 我们的推断：按 Gabr 的"动态范围随 SNR 即 B₀ 增长"，7 T 比 3 T 约多 1.2 bit（20·log₁₀(7/3) ≈ 7 dB），即临床 7 T 阵列可能到约 16 bit、加余量后约 17.5 bit，略超过上面 17 bit 的能力。这是按论文的比例关系外推，没有找到 7 T 实测数据。

2. 现在的接收机怎么做

• 控制台 ADC + 过采样：ISMRM 2016 教育讲座（Greig Scott）[3]：
  • 位数决定可支持的动态范围；理想 16-bit ADC 的量化信噪比 SNQR = 6.02n + 1.76 ≈ 98 dB。
  • 但实际会因采样时钟抖动和采样保持电容的 kT/C 噪声下降：例如 100 MHz 输入、0.3 ps rms 抖动只剩 74.5 dB，相当于约 12 bit 有效。
  • 现在常用过采样 + 抽取、在"交替 Nyquist 带"上采样来提升有效位数（每 4 倍过采样约多 1 bit）；流水线（pipeline）ADC 在位数、带宽、抖动之间最平衡。
  • 我们的推断：高场直接射频采样时（7 T 约 300 MHz）抖动的影响更大，这是"直接采样"路线的位深压力来源之一。
• 增益控制仍是标准做法：接收增益/衰减设置不当，k-space 中心会削顶 [4]；Gabr 的扫描仪也在中心附近额外衰减 [1]；Behin 的 gain stepping [2]；还有自适应动态范围接收机的专利 [5]。Sensors 2021 的一篇用三种接收增益分别扫描、再在 k-space 拼接，SNR 提高 5–13%（3 次扫描，时间成本高）[6]。
• 更高位数的 ADC：超导 ADC（20 GHz 过采样，通信中可达 24 bit）在 4 T 小动物 MRI 上替换内置 16-bit ADC，显示出更大动态范围，但进一步提升被室温线圈的热噪声限制（IEEE Trans. Appl. Supercond. 2014）[7]。

3. 新趋势：在磁体里、贴着线圈数字化

线圈通道越来越多（16、32、64、128 通道），每通道一根同轴电缆带来干扰、发热和安全问题，所以趋势是在磁体内或线圈上直接数字化、用光纤传输：

• 要点：这些低功耗、贴近线圈的方案约 13.5 bit，比 Gabr 测到的 3D 头部阵列约 15 bit 少约 1 bit，比加了余量的约 16.3 bit 少约 3 bit。Gabr 的结论就是"模拟链路单独不够，需要信号压缩或多个不同增益的并行通道"。
• 注意两种说法的差别：Fan 2021 说 81 dB "够用"，依据是"典型 MRI 信号 > 80 dB"；Gabr 2009 实测 3D 头部阵列到 88 dB 并建议再留 10 dB。所以"够不够"取决于对比的是典型信号还是最坏情况。
• 我们的推断（对 CUS 的意义）：在线圈上用功耗受限的 ADC 时，位数不够、又不方便做复杂增益控制——这正是 modulo ADC 的潜在用武之地（折叠代替削顶，或代替多路增益并行）。目前没有找到在 MRI 接收机里用 modulo ADC 的工作。

4. 讲的时候怎么回答（30 秒版本）

"临床 3 T 实测信号约 15 bit 以内，现在的扫描仪 ADC 加过采样有效约 17 bit，再加增益控制基本够。但两种情况仍然紧张：高场临床前整体线圈，Behin 算出要 20 bit；还有现在的趋势——把 ADC 放到线圈上、用光纤传，低功耗方案只有约 13.5 bit，比需要的少 1 到 3 bit。后者是 modulo ADC 最可能有用的地方。"

English 30-second version："For clinical 3 tesla, the measured signal is within about 15 bits, or 88 dB. Today's scanner ADC with oversampling gives about 17 bits effective, or 103 dB. With gain control, that is mostly enough. But two cases are still tight. First, high-field preclinical whole-body coils: Behin found they need 20 bits, or about 120 dB. Second, the current trend is to put the ADC on the coil and send data over fiber. These low-power designs have only about 13.5 bits, or 81 dB. That is 1 to 3 bits less than needed. This second case is where a modulo ADC is most likely to help."

参考来源

1. R. E. Gabr, M. Schär, A. D. Edelstein, D. L. Kraitchman, P. A. Bottomley, W. A. Edelstein, "MRI dynamic range and its compatibility with signal transmission media," J. Magn. Reson. 198(2):137–145, 2009. PMC2873084
2. R. Behin, J. Bishop, R. M. Henkelman, "Dynamic range requirements for MRI," Concepts Magn. Reson. B 26B:28–35, 2005. doi:10.1002/cmr.b.20042
3. G. Scott, "RF Receivers: Signal Detection Chain, Digitization, System Noise Figures — from MRI Signal to Bits," ISMRM 2016 educational session. ISMRM 2016 #7108
4. "Receiver gain," Questions and Answers in MRI. mriquestions.com
5. "Adaptive dynamic range receiver for MRI," US Patent 7403010. Google Patents
6. "MRI-Based Image Signal-to-Noise Ratio Enhancement with Different Receiving Gains in K-Space," Sensors 21(16):5296, 2021. doi:10.3390/s21165296
7. "Superconductor Analog-to-Digital Converter for High-Resolution Magnetic Resonance Imaging," IEEE Trans. Appl. Supercond., 2014. doi:10.1109/TASC.2014.2361132
8. B. Sporrer et al., "A Fully Integrated Dual-Channel On-Coil CMOS Receiver for Array Coils in 1.5–10.5 T MRI," IEEE TBioCAS, 2017. doi:10.1109/TBCAS.2017.2764443（81.9 dB 数值见 BUAA 论文页）
9. M. Fan et al., "A high-dynamic-range digital RF-over-fiber link for MRI receive coils using delta–sigma modulation," Rev. Sci. Instrum., 2021. doi:10.1063/5.0047041 / arXiv:2105.13305
10. J. Reber et al., "An In-Bore Receiver for Magnetic Resonance Imaging," IEEE TMI 39(4):997–1007, 2019. doi:10.1109/TMI.2019.2939090
11. "Scalable, In-Bore Array Receiver Platform for MRI," ISMRM 2016 #2170. ISMRM

说明：Sensors 2021 那篇，网上有摘要说"固定增益需 19 bit、可变增益需 15 bit"，但我们拿到的摘要里没有这两个数，所以没有采用。

专题生词表

第 4 页生词表

第 5 页 · M1 Liu 2021：低场无屏蔽 MRI

英文标题：A shielding-free 0.055 T scanner cancels interference with sensing coils and a network 论文：Liu et al., A low-cost and shielding-free ultra-low-field brain MRI scanner, Nature Communications 2021。

这页回答什么：低成本 MRI 是否会成为 modulo ADC 的应用场景。

页面内容逐项解释

• Problem：全球约每百万人 7 台 MRI；高场 MRI 需要液氦和屏蔽室，成本高。
• System：0.055 T 钐钴永磁体（约 750 kg），普通插座供电、功耗 < 1200 W，不需要磁屏蔽也不需要射频屏蔽。
• Interference cancellation（干扰消除，本文核心）：
  1. 扫描仪周围放 10 个小感应线圈，专门记录电磁干扰（EMI）。
  2. 每个重复周期（TR）除了采 MR 信号，还加一个"只有干扰"的时间窗。
  3. 每次扫描单独训练一个 5 层 CNN：输入 10 个感应线圈的信号，输出接收线圈上的干扰。训练数据就是本次扫描的"只有干扰"窗口。
  4. 把预测的干扰从每条读出线里减掉，再做 FFT 重建。
• Results：噪声与同一扫描仪放在射频屏蔽室里相比只差 5%；4 种临床对比度共 30 分钟；25 名患者与 3 T 图像对照阅片；材料成本 < 2 万美元。
• 左图：论文 Fig. 2——感应线圈位置、每个 TR 的两个时间窗、CNN 训练与预测、逐线消除。
• Conclusion for CUS：论文没报告 ADC 位深和饱和；0.055 T 时瓶颈是 SNR 低，不是 ADC 量程。它说明了低成本接收机的需求，但对 modulo ADC 没有直接支撑。

怎么讲：这篇和 CUS 关系较弱，讲快一点："它代表低成本 MRI 方向，核心是用感应线圈 + 网络代替屏蔽室；但低场的问题是信号太弱，不是太强，所以对 modulo 不是直接动机。"

English script（可直接照读）：

This paper is less related to CUS, so I will be quick. It represents the low-cost MRI direction. The scanner runs at 0.055 tesla, with a permanent magnet and a normal wall socket. It needs no shielded room. Instead, 10 sensing coils record the interference, and a small CNN, trained again for each scan, predicts the interference and subtracts it. The noise is only 5% worse than in a shielded room. But the problem at low field is that the signal is too weak, not too strong. The paper does not report ADC bit depth or saturation. So it shows a need for cheap receivers, but it is not a direct motivation for modulo ADCs.

可能被问到的问题

• Q：既然不相关，为什么选它？ A：低成本、便携 MRI 是近年热点（引用 266 次），我们原以为便宜接收机会用低位 ADC，读完发现瓶颈在 SNR，这本身是一个结论。
  • EN Q: "If it's not really related, why did you include this paper?"
  • EN A: "Low-cost and portable MRI is a hot topic in recent years. This paper has 266 citations. We first thought cheap receivers would use low-bit ADCs. After reading it, we found the bottleneck is SNR. That itself is a useful conclusion."
• Q：强干扰会不会让 ADC 饱和？ A：论文没报告。理论上未屏蔽的强干扰可能抬高峰值输入，但没有数据，不能下结论。
  • EN Q: "Could strong interference saturate the ADC?"
  • EN A: "The paper does not report this. In theory, strong unshielded interference could raise the peak input. But there is no data, so we cannot draw a conclusion."
• Q：为什么每次扫描都重新训练？ A：干扰随环境、时间、病人身体（人体像天线）变化，每次训练能适应当下的干扰。
  • EN Q: "Why do they retrain the network for every scan?"
  • EN A: "The interference changes with the environment, with time, and with the patient's body. The body acts like an antenna. Training for each scan lets the network adapt to the current interference."

生词表

第 6 页 · M2 Chung & Ye 2022：扩散模型重建方法

英文标题：One prior learned on magnitude images reconstructs MRI from any sampling pattern 论文：Chung & Ye, Score-based diffusion models for accelerated MRI, Medical Image Analysis 2022。

这页回答什么：扩散模型（score-based model）怎么做欠采样 MRI 重建，为什么它不依赖采样模式。

页面内容逐项解释

• 顶部图：论文 Fig. 1，从纯噪声出发，逐步去噪得到图像；每一步插入测量数据 y 做数据一致性。
• Training (no k-space needed)：
  • 学习 score：s_θ(x, t) ≈ ∇ₓ log p_t(x)，即"加了噪声水平 t 的图像分布"的对数密度的梯度，直观上是"往更像真实图像的方向走"。
  • 训练方式：denoising score matching（给图像加噪声，训练网络预测怎么去噪）。噪声水平 σ(t) 从 0.01 到 378（VE-SDE）。
  • 数据：约 2.5 万张 fastMRI 膝关节幅值图像，320×320。只用图像，不需要原始 k-space。
• Measurement model：y = P_Ω F S x，其中 S 是线圈灵敏度、F 是傅里叶变换、P_Ω 是采样 mask。
• Sampling: repeat 2000 times from noise（重建过程）：
  1. Predictor：用 s_θ 做一步反向扩散（去噪一步）。
  2. Data consistency：x ← x + λA*(y − Ax)，把估计拉回和测量一致。
  3. Corrector：一步 Langevin 动力学 x ← x + ε s_θ + √(2ε) z（沿 score 走一小步再加一点随机噪声）。
  4. 再做一次数据一致性。
• Key innovation：先验训练时从未见过采样 mask，所以同一个网络适用于任意 mask 和加速倍数；物理模型只通过第 2 步进入，而且对任何满足 ‖A*A‖ ≤ 1 的线性 A 都成立（论文 Prop. 1：此时这一步是非扩张的）。

怎么讲："训练时只学图像长什么样，不管怎么采样；重建时每走一步去噪，就用测量数据校正一次。好处是换采样方式不用重新训练。对我们重要的是：数据一致性是独立的一步，██████████████████████████。"

English script（可直接照读）：

During training, the model only learns what images look like. It does not care how we sample. It learns the score, which points toward more realistic images. Training uses about 25,000 fastMRI knee magnitude images, with no raw k-space. During reconstruction, we start from pure noise and repeat 2000 times. Each time, we take one denoising step, and then we correct the estimate with the measured data. The benefit is that we do not need to retrain when the sampling pattern changes. The same network works for any mask and any acceleration. What matters for us is this: data consistency is a separate step. █████, ██ █████ ███████ ██ ████ █ ███████ ████ ███████ ███████.

可能被问到的问题

• Q：score 是什么？ A：概率密度对数的梯度 ∇log p(x)。沿 score 方向走，x 会变得更"像"训练数据。
  • EN Q: "What exactly is the score?"
  • EN A: "It is the gradient of the log probability density, gradient of log p of x. If we move x along the score, x looks more like the training data."
• Q：为什么要 2000 步？很慢吧？ A：是，每张切片 10–20 分钟。论文 Fig. 10 显示 4 倍加速时约 50 步就够，约 500 步后不再提升；也可以先用 U-Net 结果热启动只跑 40 步（CCDF）。
  • EN Q: "Why 2000 steps? Isn't that very slow?"
  • EN A: "Yes, it takes 10 to 20 minutes per slice. But Fig. 10 in the paper shows that at 4 times acceleration, about 50 steps are enough. After about 500 steps, there is no more gain. We can also warm-start from a U-Net result and run only 40 steps. This is called CCDF."
• Q：只用幅值图像训练，怎么重建复数数据？ A：把实部和虚部分别当作图像，用同一个先验处理（下一页讲）。
  • EN Q: "If it's trained only on magnitude images, how does it reconstruct complex data?"
  • EN A: "We treat the real part and the imaginary part as two separate images. We process both with the same prior. I will show this on the next slide."
• Q：‖A*A‖ ≤ 1 这个条件 MRI 满足吗？ A：线圈灵敏度归一化（S*S = I）后满足，论文 Eq. 9。
  • EN Q: "Does MRI satisfy the condition that the norm of A-star A is at most 1?"
  • EN A: "Yes, if the coil sensitivities are normalized, so S-star S equals the identity. This is Equation 9 in the paper."

生词表

第 7 页 · M2 Chung & Ye 2022：扩展与结果

英文标题：Complex and multi-coil data reuse the same prior, with large gains on unseen masks

这页回答什么：方法能不能处理真实的复数、多线圈数据；效果和监督学习方法比怎么样。

页面内容逐项解释

• 左图：论文 Fig. 2，多线圈的两种做法。

• Extensions：

  • Complex data：predictor 和 corrector 分别作用在实部和虚部上，用同一个先验。
  • Multi-coil：(a) 每个线圈单独重建，再用平方和开根号（root-sum-of-squares, SSOS）合并；(b) 每隔 m 步加一次耦合各线圈的数据一致性（SENSE 型）。论文对 1D mask 用 (b)，2D mask 用 (a)。

• 表格（PSNR，dB）：

  数据	mask 与加速倍数	本文	监督基线
  单线圈	变密度 Poisson，15×	30.46	22.84
  单线圈	Gaussian 1D，4×（训练用的 mask）	33.32	33.01
  多线圈	Gaussian 2D，15×	29.17	16.66
  多线圈	Gaussian 1D，8×（训练用的 mask）	32.43	33.15

  监督基线：单线圈 DuDoRNet，多线圈 E2E-VarNet，都在 Gaussian 1D mask 上训练。规律：换了 mask，本文大幅领先；用训练时的 mask，两者接近，多线圈甚至略输。

• Conclusion for CUS：数据一致性是独立的线性步骤，████ ███ ████████████████████████；██████"████"██████████████：██████ ██ ██████████。代价：每张切片 10–20 分钟。

怎么讲：指着表格说"监督方法在没见过的 mask 上掉到 17–23 dB，本文保持在 29–30 dB；在训练用的 mask 上两者差不多"。然后读结论框。

English script（可直接照读）：

Please look at the table. On masks they have never seen, the supervised methods drop to 17 to 23 dB. This method stays at 29 to 30 dB. On the mask used for training, the two are close. In the multi-coil 8 times case, the supervised method is even slightly better. For complex data, the same prior is applied to the real and imaginary parts. For CUS, the key point is that data consistency is a separate linear step. ██ ████████ ███ ████████████ ███ ████ ██ ████████. ██ ██ ███ █████████ █████████ ████ ███ █████████ █████, ███ ███ ███ ███████ █ █ ██ █████ ███ ███████ ████████. The cost is 10 to 20 minutes per slice.

可能被问到的问题

• Q：为什么监督方法在新 mask 上掉这么多？ A：监督网络学的是"特定 mask 的伪影 → 干净图像"的映射，换 mask 后伪影模式变了。
  • EN Q: "Why do the supervised methods drop so much on a new mask?"
  • EN A: "A supervised network learns a mapping from the artifacts of one specific mask to a clean image. When the mask changes, the artifact pattern changes."
• Q：多线圈 8× 为什么输了？ A：在训练分布内，专门训练的 E2E-VarNet 有优势；本文的 SSOS 合并也会带来轻微模糊（论文自述）。
  • EN Q: "Why does this method lose in the multi-coil 8 times case?"
  • EN A: "Inside the training distribution, E2E-VarNet has an advantage because it was trained for that case. Also, the SSOS combination in this method causes slight blurring. The paper says this itself."
• Q：不确定性怎么得到？ A：并行采 8 个后验样本，算逐像素标准差（Backup 没放，论文 Fig. 8）。
  • EN Q: "How do they get uncertainty estimates?"
  • EN A: "They draw 8 posterior samples in parallel and compute the standard deviation at each pixel. This is Fig. 8 in the paper. It is not in our backup slides."

生词表

第 8 页 · M3 BJORK 2022：联合优化方法

英文标题：BJORK learns the k-space trajectory and an unrolled reconstruction together 论文：Wang et al., B-spline parameterized joint optimization of reconstruction and k-space trajectories (BJORK) for accelerated 2D MRI, IEEE TMI 2022。

这页回答什么：怎样同时学"怎么采"（轨迹）和"怎么重建"（网络），并满足硬件限制。

页面内容逐项解释

• 顶部图：论文 Fig. 1，训练流程：参考图像 → 按当前轨迹 ω 做 NUFFT 前向采样加噪声 → 重建网络 → 与参考图像算损失 → 同时更新 θ（网络）和 ω（轨迹）。
• Joint objective： min_{ω,θ} E ℓ(f_θ(ω; A(ω)x + ε), x) + μ₁ φ_g(|D₁ω|) + μ₂ φ_s(|D₂ω|)
  • 第一项：重建误差（ℓ1 + ℓ2²）。
  • φ：hinge 惩罚，只在超过限值时罚。D₁ω（一阶差分）对应梯度幅值，限值 26.7 mT/m；D₂ω（二阶差分）对应 slew rate，限值 150 T/m/s。
• B-splines：ω = Bc，用二次 B 样条参数化轨迹；变量少很多，且不会出现快速振荡。
• Reconstruction：展开 6 次迭代，每次是"共轭梯度（CG）数据一致性 + 共享权重的 CNN 去噪器"（MoDL 风格）。
• Gradients w.r.t. ω：对轨迹求梯度时，用精确的 NUFFT Jacobian 近似，而不是自动微分（论文 App. C：SSIM 0.957 vs 0.930）。
• Key innovation：采样密度从数据中学出来（不像早期的 SPARKLING 需要预先假设密度），在明确的硬件惩罚下，与将使用这些数据的网络一起优化。

怎么讲："目标函数 = 重建误差 + 两个硬件惩罚。轨迹用 B 样条表示，天然平滑；重建是展开网络。对我们最重要的是这个'惩罚项框架'——██████████████████████████。"

English script（可直接照读）：

BJORK learns the k-space trajectory and the reconstruction network together. The objective is the reconstruction error plus two hardware penalties. One penalty limits the gradient amplitude, and the other limits the slew rate. They only penalize values above the limit. The trajectory is represented with B-splines, so it is smooth by design and has far fewer variables. The reconstruction is an unrolled network with 6 iterations. The sampling density is learned from data, not assumed in advance. For us, the most important part is this penalty framework. █████, ██ █████ ███ ███ ████ ███████ ███ ███████ █████.

可能被问到的问题

• Q：slew rate 是什么？ A：梯度变化率（T/m/s），受梯度放大器和人体神经刺激限制；对应轨迹的二阶导数。
  • EN Q: "What is slew rate?"
  • EN A: "It is how fast the gradient changes, in tesla per meter per second. It is limited by the gradient amplifier and by nerve stimulation in the body. It corresponds to the second derivative of the trajectory."
• Q：为什么用 B 样条？ A：直接优化每个采样点，参数多、容易震荡、易卡在局部最优；B 样条把轨迹表示为少量控制点的平滑组合。
  • EN Q: "Why use B-splines?"
  • EN A: "If we optimize every sample point directly, there are many parameters. The trajectory can oscillate and get stuck in a local optimum. B-splines write the trajectory as a smooth combination of a few control points."
• Q：展开网络是什么？ A：把迭代重建算法（这里是 CG + 去噪交替）固定迭代次数后展开成网络层，端到端训练。
  • EN Q: "What is an unrolled network?"
  • EN A: "We take an iterative reconstruction algorithm, here CG and denoising in turn. We fix the number of iterations and turn each iteration into network layers. Then we train it end to end."

生词表

第 9 页 · M3 BJORK 2022：优化过程与结果

英文标题：Coarse-to-fine B-splines move trajectories far from radial and raise image quality

这页回答什么：学到的轨迹是什么样；比传统和已有学习方法好多少。

页面内容逐项解释

• 顶部图：论文 Fig. 5，从 32 条径向辐条出发，Decim 32 → 16 → 8 → 4 逐级细化，SSIM 0.957 → 0.963 → 0.965 → 0.967 → 0.968；最右是不用 B 样条、直接优化采样点的结果（0.959），几乎没离开径向。

• Schedule：每个 B 样条系数先对应 32 个采样点，收敛后减半，共 4 级 × 3 个 epoch。

• Prospective scan：3 T、32 通道线圈，32 个 shot 11 秒 vs 320 条辐条 1 分 40 秒（10 倍加速）；网络重建和 CS 重建下伪影都更少。

• 表格（PSNR，dB）：

  设置	Standard	SPARKLING	BJORK
  16 辐条，网络重建	32.7	33.9	34.3
  32 辐条，网络重建	35.0	36.0	36.9
  32 辐条，CS（ℓ1 小波）	33.9	35.7	36.3
  8 臂螺旋，网络重建	40.9	41.7	41.9

  fastMRI 脑部，1520 张测试切片，多线圈。

• Conclusion for CUS：████████████"████████████"██████。注意：学到的波形在每个 shot 内部会抖动（见顶部图），可能比直辐条产生更多跳变。

怎么讲："由粗到细的 B 样条让轨迹能离开初始形状；每种设置 BJORK 都最好，换成传统 CS 重建也有提升。提醒一点：学出来的轨迹有小抖动，对 CUS 未必有利。"

English script（可直接照读）：

The B-splines go from coarse to fine. This lets the trajectory move away from its starting radial shape. Without B-splines, the trajectory almost stays radial. In every setting in the table, BJORK is the best. It also improves when we switch to traditional CS reconstruction. In a real scan at 3 tesla, they got 10 times acceleration with fewer artifacts. One warning: the learned trajectory has small wiggles inside each shot. This may cause more folding jumps than straight spokes, so it may not help CUS.

可能被问到的问题

• Q：Decim 是什么？ A：decimation，每个 B 样条控制点覆盖多少个采样点；越大越粗、越平滑。
  • EN Q: "What does Decim mean?"
  • EN A: "It stands for decimation. It is how many sample points each B-spline control point covers. A larger value is coarser and smoother."
• Q：prospective 是什么意思？ A：前瞻性实验，即在真实扫描仪上按学到的轨迹实际采集，而不是用已有数据回顾性模拟。
  • EN Q: "What does prospective mean here?"
  • EN A: "It means a prospective experiment. They actually scan on a real scanner with the learned trajectory. It is not a simulation on existing data."
• Q：比 SPARKLING 只高 0.2–0.9 dB，算大吗？ A：在 MRI 里算明显（比 Standard 高 1.0–2.4 dB）；且 CS 重建也提升，说明轨迹本身更好，不只是和网络配合。
  • EN Q: "The gain over SPARKLING is only 0.2 to 0.9 dB. Is that really large?"
  • EN A: "In MRI, this is a clear gain. Over the standard trajectory, the gain is 1.0 to 2.4 dB. Also, CS reconstruction improves too. This shows the trajectory itself is better, not just a good match with the network."

生词表

第 10 页 · 高光谱成像原理

英文标题：A hyperspectral cube must be squeezed into one 2D frame or one detector

这页回答什么：高光谱数据是什么；压缩高光谱成像有哪两类做法；modulo 在哪里起作用。

页面内容逐项解释

• Data cube X(x, y, λ)：每个像素有一条光谱，例如 256×256 像素 × 28 波段（450–650 nm），或 128×128 × 64 波段。左边是立方体示意图。

• Scanning：逐行或逐波段扫描需要很多次曝光，运动场景下太慢。

• CASSI / DMD 定义写在左栏：CASSI = coded aperture snapshot spectral imager（编码孔径快照光谱成像仪）；DMD = digital micromirror device（数字微镜器件，一组可开关的小镜子）。

• 表格对比：

  	快照式（编码孔径、滤光阵列）	单像素式
  探测器	二维阵列，一帧	一个光电二极管
  编码	掩模 + 棱镜（CASSI），或每个像素不同滤光片	DMD 在空间和光谱上的 pattern
  一次测量累加	一个像素上的所有波段	所有像素和波段
  测量方式	并行（一帧）	顺序（一串）
  modulo 作用在	每个像素，二维	沿测量序列

  两类都是压缩的：测量数少于体素数，靠先验（稀疏、全变分、网络）恢复。

• Conclusion：单像素式符合 CUS 的测量模型（一串顺序测量），██████████ ███████ ██████████；██████████████████████ ██████，████████████████。

怎么讲：重点讲表格最后一行"modulo 作用在哪"："快照式是一帧图像里每个像素各自折叠，要做二维展开；单像素式是一串测量依次折叠，正好是 CUS 的模型。"

English script（可直接照读）：

This page shows what a hyperspectral cube is. Each pixel has a full spectrum, for example 256 by 256 pixels and 28 bands. Scanning band by band needs many exposures, so it is too slow for moving scenes. Compressive systems come in two types. Snapshot systems, like CASSI or filter arrays, use a 2D detector and take one frame. Single-pixel systems use a DMD and one photodiode, and take a sequence of measurements. Both are compressive. They take fewer measurements than voxels and use priors to recover the cube. The key row is the last one: where does modulo act? In a snapshot system, each pixel in one frame folds on its own, so we need 2D unwrapping. In a single-pixel system, a sequence of measurements folds one after another. That is exactly the CUS model, ██ ████████████ ████████ ███ ██ ████ ███████.

可能被问到的问题

• Q：快照式为什么不能直接用 CUS？ A：CUS 靠相邻测量差分；快照式一帧里的像素是空间上的邻居，不是时间序列，折叠后需要在二维空间上展开（类似相位展开），恢复问题不同。
  • EN Q: "Why can't you apply CUS directly to snapshot systems?"
  • EN A: "CUS uses differences between neighbouring measurements. In a snapshot frame, the pixels are neighbours in space, not a time sequence. So after folding, we must unwrap in 2D space, like phase unwrapping. That is a different recovery problem."
• Q：单像素为什么一次测量累加所有像素和波段？ A：所有经 DMD 反射的光汇聚到一个探测器上，探测器只输出一个总强度。
  • EN Q: "Why does one single-pixel measurement add up all pixels and all bands?"
  • EN A: "All the light reflected by the DMD goes to one detector. The detector only gives one total intensity."

生词表

第 11 页 · 高光谱的动态范围问题

英文标题：Every compressive spectral measurement sums many voxels, so the detector range runs out

这页回答什么：为什么压缩光谱成像会遇到探测器动态范围不够；论文里有什么证据。

页面内容逐项解释

• Snapshot model：Y = Σₙ Xₙ ⊙ Mₙ + E，每个像素累加 N_λ 个被编码的波段；向量形式 y = Φx + e，Φ = [D₁, …, D_{N_λ}]，Dₙ = diag(vec Mₙ)。
• Single-pixel model：yᵢ = φ_{s,i}ᵀ X φ_{w,i}，每个值累加整个立方体；φ_s 是空间 pattern，φ_w 是光谱 pattern，每次测量一对。
• What the papers report：
  • 快照式（Yuan 2021）：8-bit 相机重建后，"每个像素可能只有 4 bit 动态范围"；8 → 12 bit 改善了结果。
  • 单像素（Xu 2024）：一半镜子打开时，每个测量约为场景总光强的一半，是"一个大常数 + 小变化"。
  • 片上滤光片（Bian 2024）：透光约 75%，马赛克滤光片 < 10%。
• Conclusion：累加让每次测量信号变大，而感兴趣的细节仍然很小——正是 CUS 设计针对的情形。四篇论文都没有给出饱和的解决办法，也没有用 modulo ADC。

怎么讲："不管快照还是单像素，一次测量都是很多体素的和，信号大、细节小。Yuan 的综述直接说 8-bit 相机最后每个波段只剩 4 bit。"

English script（可直接照读）：

Snapshot or single-pixel, one measurement is always a sum of many voxels. In the snapshot model, each pixel adds up all the coded bands. In the single-pixel model, each value adds up the whole cube. So the signal is large, but the details we care about are small. The papers show this. Yuan's review says that with an 8-bit camera, each pixel may have only 4 bits of dynamic range after reconstruction, and going from 8 to 12 bits improved the results. In Xu 2024, half the mirrors are on, so each measurement is about half of the total scene light: a large constant plus a small change. Bian 2024 has about 75% light throughput, while mosaic filters have less than 10%. This is exactly the case CUS is designed for. None of the four papers solves saturation, and none uses a modulo ADC.

可能被问到的问题

• Q："4 bit" 是怎么来的？ A：综述的定性说法：每个像素累加多个编码波段，8-bit 的量化台阶被分摊到多个波段上，重建后每个波段的有效位数只剩约 4 bit。不是严格推导。
  • EN Q: "Where does the 4-bit number come from?"
  • EN A: "It is a qualitative statement in the review. Each pixel adds up many coded bands, so the 8-bit steps are shared across many bands. After reconstruction, each band keeps only about 4 effective bits. It is not a strict derivation."
• Q：单像素那条"大常数 + 小变化"为什么是动态范围问题？ A：ADC 要容纳大常数（避免饱和），小变化只占很少几个量化台阶，分辨率被浪费。modulo ADC 正好能"折掉"大常数。
  • EN Q: "Why is a large constant plus a small change a dynamic range problem?"
  • EN A: "The ADC must hold the large constant to avoid saturation. Then the small change uses only a few quantization steps, so resolution is wasted. A modulo ADC can fold away the large constant."
• Q：75% 透光率和动态范围什么关系？ A：透光越多，同样场景下像素收到的光越多，越早饱和。这是我们的推断，论文正文没讨论。
  • EN Q: "What does 75% light throughput have to do with dynamic range?"
  • EN A: "More light gets through, so for the same scene each pixel gets more light and saturates earlier. This is our own inference. The paper does not discuss it in the main text."

生词表

第 12 页 · H1 Yuan 2021：快照压缩成像综述

英文标题：Snapshot imaging sums coded bands in one frame; the review flags detector bit depth 论文：Yuan, Brady & Katsaggelos, Snapshot Compressive Imaging: Theory, Algorithms, and Applications, IEEE Signal Processing Magazine 2021。

这页回答什么：快照压缩成像（SCI）的统一模型、算法格局和开放问题。

页面内容逐项解释

• 左图：论文 Fig. 4，CASSI 光路（物镜、编码孔径、中继、棱镜、探测器）和采样原理（立方体 → 掩模 → 色散剪切 → 求和）。

• Coded aperture (CASSI)：一块掩模编码场景；棱镜把第 n 个波段平移 d(λₙ − λ_c) 个像素，于是一块掩模对不同波段相当于 N_λ 块不同掩模；探测器把各波段相加。

• 公式：y = Φx + e，Φ = [D₁, …, D_{N_λ}]。

• ΦΦᵀ 是对角的：所以"投影到满足 y = Φx 的集合"只需要每个像素做一次除法，非常便宜。这是 GAP、ADMM 类算法快的原因。

• 表格（10 个模拟场景，28 波段）：

  方法（类别）	PSNR (dB)	时间
  GAP-TV（优化）	23.73	35 s
  DeSCI（优化）	25.86	3 h
  λ-net（端到端网络）	29.25	0.07 s
  ADMM-net（展开网络）	32.13	0.08 s

  优化方法在 CPU 上计时，网络在 GPU 上。

• Plug-and-play：迭代求解器 + 任意去噪器，换掩模不需重训；学习型网络需要重训。

• Open problem named by the review：每个像素累加很多编码波段，8-bit 相机重建后每个像素可能只有 4 bit 动态范围；8 → 12 bit 改善了结果。

• Conclusion for CUS：综述给出了 modulo 快照系统的前向模型 y = M_λ(Φx)，并把探测器动态范围列为开放问题；████-███-████ ██████████████ ███ ██ ███ ████。

怎么讲："这是快照压缩成像的标准综述。一个模型 y = Φx 统一了光谱、视频等各种快照系统；算法上深度方法领先 3 dB 以上，但换掩模要重训。最重要的是：综述自己把探测器位深列为开放问题，就是上一页那个 4 bit。"

English script（可直接照读）：

This is the standard review of snapshot compressive imaging. One model, y equals Phi x, covers spectral, video and other snapshot systems. Because Phi Phi transpose is diagonal, the projection step is just one division per pixel, so GAP and ADMM methods are fast. On 10 simulated scenes with 28 bands, deep methods lead by more than 3 dB. ADMM-net gets 32.13 dB in 0.08 seconds, while DeSCI gets 25.86 dB in 3 hours. But learned networks must be retrained when the mask changes. Plug-and-play methods do not need retraining. Most important for us: the review itself lists detector bit depth as an open problem. That is the 4 bits from the last page. For CUS, the review gives the modulo snapshot model, y equals the modulo of Phi x, ███ ████-███-████ █████████ █████ ███████ ███ ███ ███ ███ ██████████.

可能被问到的问题

• Q：GAP 是什么？ A：Generalized Alternating Projection，交替做两步：投影到满足测量的集合，再用去噪器（如 TV）去噪。
  • EN Q: "What is GAP?"
  • EN A: "GAP means Generalized Alternating Projection. It alternates two steps. First, it projects onto the set that fits the measurements. Then it denoises with a denoiser, such as TV."
• Q：plug-and-play 和展开网络区别？ A：PnP 用现成的预训练去噪器，算法固定、灵活；展开网络把迭代展开成层端到端训练，快且准，但绑定特定系统。
  • EN Q: "What is the difference between plug-and-play and unfolded networks?"
  • EN A: "Plug-and-play uses a ready, pre-trained denoiser. The algorithm is fixed and flexible. An unfolded network turns the iterations into layers and trains them end to end. It is fast and accurate, but tied to one specific system."
• Q：理论保证是什么？ A：综述引用 Jalali & Yuan 2019：误差上界随一帧压缩的波段数 N_t 增大而增大；先验越好（压缩码越好），一帧能压的波段越多。
  • EN Q: "What theoretical guarantee does the review give?"
  • EN A: "The review cites Jalali and Yuan 2019. The error bound grows with N_t, the number of bands compressed into one frame. A better prior, meaning a better compression code, lets one frame hold more bands."

生词表

第 13 页 · H2 MST 2022

英文标题：MST beats DGSMP by 2.55 dB with 4.4% of its computation 论文：Cai et al., Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction, CVPR 2022。

这页回答什么：快照式高光谱重建的代表性网络是怎么设计的。

页面内容逐项解释

• 顶部图：论文 Fig. 2，(a) 高光谱图像空间稀疏、光谱相关；(b) CASSI 流程；(c) 谱向注意力 + 掩模引导机制。

• Spectral-wise attention：特征重排为 HW×C，每个波段是一个 token（而不是每个像素/窗口）： Aⱼ = softmax(σⱼ Kⱼᵀ Qⱼ)，headⱼ = (Mⱼ ⊙ Vⱼ) Aⱼ。 计算量随图像尺寸线性增长（2HWC²/N），同时有全局感受野。

• Mask guidance：把掩模按色散平移 → 卷积 + sigmoid 门控 → 再平移回来，得到 M，用来按"每个像素编码得是否可靠"给 V 加权。

• 表格：

  方法	PSNR (dB)	参数 (M)	GFLOPS
  MST-L	35.18	2.03	28.15
  MST-S	34.26	0.93	12.96
  DGSMP	32.63	3.76	646.65

  DGSMP 是论文中最强的基线。消融：谱向注意力 +0.89 dB，掩模引导再 +1.08 dB。

• Conclusion for CUS：学到的光谱先验远强于固定字典；███ ██████████，██████████████████；但它假设掩模已知且固定，每个系统要重训。

怎么讲："MST 把每个波段当 token 做注意力，抓住了'光谱高度相关'这个特点，还用掩模告诉网络哪里编码可靠；比 DGSMP 高 2.55 dB，计算量只有它的 4.4%。"

English script（可直接照读）：

MST is a representative network for snapshot hyperspectral reconstruction. It treats each band as a token for attention, not each pixel or window. This uses the fact that the spectrum is highly correlated. The cost grows only linearly with image size, and it still sees the whole image. It also uses the mask to tell the network where the coding is reliable. MST-L reaches 35.18 dB. That is 2.55 dB above DGSMP, the strongest baseline, with only 4.4% of its computation. In the ablation, spectral-wise attention adds 0.89 dB, and mask guidance adds 1.08 dB more. For CUS: learned spectral priors are much stronger than a fixed dictionary. █████ ███ █████ ███ █████, ████ █ ███████ █████ ██████ ███ ██████. But it assumes a known, fixed mask, and must be retrained for each system.

可能被问到的问题

• Q：为什么按波段做注意力？ A：高光谱图像空间上稀疏、光谱上相关；按波段做注意力计算量只和图像大小线性相关，比空间注意力省得多（论文 Tab. 2b：谱向 33.18 dB vs 空间 32.67–32.86 dB）。
  • EN Q: "Why do attention over bands instead of over space?"
  • EN A: "Hyperspectral images are sparse in space and correlated across the spectrum. Attention over bands costs only linear time in image size, so it is much cheaper than spatial attention. In Table 2b of the paper, spectral-wise gets 33.18 dB, and spatial gets 32.67 to 32.86 dB."
• Q：GFLOPS 是什么？ A：每次前向计算的十亿次浮点运算数，衡量计算量。
  • EN Q: "What does GFLOPS mean?"
  • EN A: "It is the number of billions of floating-point operations in one forward pass. It measures computation."
• Q：对 CUS 有什么直接用？ A：CUS 现在用固定 DCT 字典 + OMP；██████████████，████████ ███ ██████、████████，██████████████████。
  • EN Q: "How is this directly useful for CUS?"
  • EN A: "CUS now uses a fixed DCT dictionary and OMP. ██ ███ ██████ ██ █ ████████, ██ ███ █████ ███ ███ ██ ████ ███ █████ ███ ██████ ███ ████████████. ████ ██ ███ ███ ████ ████ ██ ███████ ███ ██████████████."

生词表

第 14 页 · H3 Bian 2024：片上宽带高光谱传感器

英文标题：Broadband filters on the chip give 96 channels at 124 fps with 75% light throughput 论文：Bian et al., A broadband hyperspectral image sensor with high spatio-temporal resolution, Nature 2024（我们读的是 arXiv 版本）。

这页回答什么：不需要额外光学元件的快照式高光谱方案。

页面内容逐项解释

• 左图：我们画的示意图（论文 arXiv 版没有图片）：4×4 共 16 种材料的单元，以及三条示意性的宽带、弱相关透过率曲线。

• Measurement（我们的记号，论文没给公式）：像素 p 记录 y_p ≈ r_pᵀ s_p，一个值对应最多 96 个未知数；4×4 单元里的邻居提供多样性。

• Making it：16 种材料从 35 种候选中用进化算法挑选（按重建精度）；每种材料一次光刻，单元 10 µm，固化在裸单色芯片上；用单色仪标定每个像素的响应；用 SRNet（谱向注意力网络）解码。

• 表格：

  	CMOS 版	InGaAs 版
  波长范围	400–1000 nm	400–1700 nm
  通道数	61	96
  像素、帧率	2048², 47 fps	1024², 124 fps
  透光率	71.8%	74.8%

  其他方案透光率：马赛克滤光片 < 10%，编码孔径 < 50%，RGB < 30%。

• Demonstrations：低光（290 lux，1 ms 曝光）、叶绿素指数（误差 3.73%）、100 Hz 血氧、纺织品分类 98.15%、月球成像。

• Conclusion for CUS：透光多 → 亮场景更早饱和（我们的推断；动态范围只在补充材料里）。██████ ██████████████████████████，████████ ███ ██████。

怎么讲："芯片上直接做 16 种宽带滤光材料，每个像素对光谱编码不同，网络解出 96 个通道。透光率 75% 很高，对弱光好；但对我们来说意味着亮场景更容易饱和——这是我们的推断。"

English script（可直接照读）：

This is a snapshot hyperspectral sensor with no extra optics. They put 16 broadband filter materials directly on the chip, in 4 by 4 cells. Each pixel codes the spectrum differently, and a network called SRNet decodes up to 96 channels. The InGaAs version gives 96 channels at 124 frames per second, from 400 to 1700 nanometers. Light throughput is about 75%, which is very high. Mosaic filters have less than 10%, and coded apertures less than 50%. This is good for low light. But for us, it means bright scenes saturate earlier. This is our own inference; the paper does not say this. ████, █ ██████ █████ █████ ████ ████ █████ ██ ██, █████ ██ ███████ ███ ███████ ███ █████. Note that the figure on the left is our own sketch, because the arXiv version has no figures.

可能被问到的问题

• Q：为什么是宽带而不是窄带滤光片？ A：窄带只透过一小段光谱，光损失大；宽带透过大部分光，靠不同滤光片曲线的差异编码光谱，再由网络解码。
  • EN Q: "Why use broadband filters instead of narrowband ones?"
  • EN A: "A narrowband filter passes only a small part of the spectrum, so it loses a lot of light. A broadband filter passes most of the light. The spectrum is coded by the differences between the filter curves, and a network decodes it."
• Q：图是论文的吗？ A：不是，arXiv 版本没有图片，这是我们画的示意，页面上注明了。正式版 Nature 论文 Fig. 1 有结构图。
  • EN Q: "Is that figure from the paper?"
  • EN A: "No. The arXiv version has no figures, so this is our own sketch. The slide says so. The published Nature paper has a structure figure in Fig. 1."
• Q：动态范围论文怎么说？ A：正文只说"见补充材料 6.4"，我们手上的 arXiv 版本没有补充材料。
  • EN Q: "What does the paper say about dynamic range?"
  • EN A: "The main text only says, see Supplementary Section 6.4. The arXiv version we have does not include the supplementary material."

生词表

第 15 页 · H4 Xu 2024：系统与测量

英文标题：One DMD codes space and spectrum together for a single detector 论文：Xu, Lu, Saragadam & Kelly, A compressive hyperspectral video imaging system using a single-pixel detector, Nature Communications 2024。

这页回答什么：单像素高光谱视频系统怎么搭，怎么编码。高光谱部分和 CUS 最接近的一篇。

页面内容逐项解释

• 左图：论文 Fig. 1，(a) 光路：DMD 左半边、狭缝、光栅、45° 反射镜、DMD 右半边、单探测器、ADC；(b) 矩阵模型。
• Optics：场景成像到 DMD 左半边（加空间 pattern）；光经过狭缝和光栅，光谱落到同一块 DMD 右半边（加光谱 pattern）；剩下的光进入一个探测器。
• Measurement：y = φ_sᵀ X_t φ_w；一帧内 b_t = R_t Φ vec(X_t)，R_t 选出实际测量的那些 (空间, 光谱) pattern 对。
• Patterns：
  • 空间：多分辨率结构化随机 pattern（STOne）；光谱：打乱顺序的 Walsh–Hadamard。两者每次测量都换。
  • DMD 只能开/关（0/1），通过加互补 pattern 得到 ±1 pattern。
  • pattern 速率 5 kHz；每帧用 2048 个测量，窗口步长 1024（50% 重叠）。
• Key innovation：空间、光谱、时间在一块 DMD 上联合编码，每次测量约对应 900 个体素；只压缩光谱的方案最多约 20。

怎么讲："这是唯一一个'单探测器 + 顺序测量'的高光谱系统，和 CUS 的测量模型完全一致。关键是空间和光谱 pattern 每次都换，所以压缩比能到 900:1。"

English script（可直接照读）：

For hyperspectral, this paper is the closest to CUS. It is the only system with one detector and sequential measurements, which matches the CUS measurement model exactly. One DMD does both jobs. The left half codes the image. Then a slit and a grating spread the spectrum onto the right half, which codes the wavelengths. All remaining light goes to one detector. The DMD is only 0 or 1, so they add complementary patterns to get plus or minus 1 patterns. The key point is that the spatial and spectral patterns change at every measurement. So each measurement covers about 900 voxels, while spectrum-only compression reaches about 20. That is why the compression ratio can reach 900 to 1.

可能被问到的问题

• Q：为什么一块 DMD 能同时做空间和光谱编码？ A：左右两半分别用：左半边编码图像，经色散后光谱展开在右半边，右半边按波长开关镜子。
  • EN Q: "How can one DMD do both spatial and spectral coding?"
  • EN A: "It uses the two halves separately. The left half codes the image. After dispersion, the spectrum spreads over the right half, and the right half switches mirrors by wavelength."
• Q：±1 pattern 怎么来？ A：DMD 只有 0/1；测一次 pattern 再测一次它的互补（0/1 翻转），两者相减相当于 ±1 pattern。
  • EN Q: "How do you get plus-or-minus-1 patterns?"
  • EN A: "The DMD only has 0 and 1. We measure one pattern, then its complement, with 0 and 1 flipped. Subtracting the two gives a plus-or-minus-1 pattern."
• Q：900:1 怎么算？ A：重建的体素数除以测量数（论文定义）。
  • EN Q: "How is the 900 to 1 ratio computed?"
  • EN A: "It is the number of reconstructed voxels divided by the number of measurements. This is the paper's definition."

生词表

第 16 页 · H4 Xu 2024：重建与结果

英文标题：4D total variation with optical flow recovers 128×128×64-band video at 4.3 fps

这页回答什么：怎么从一串测量重建高光谱视频；效果如何；对 CUS 意味着什么。

页面内容逐项解释

• 左图：论文 Fig. 2a，测量流 → 滑动窗口 → 灰度视频 → 光流 → 4DTV + 光流的高光谱重建。
• Two stages：
  1. 用互补 pattern 的测量先重建灰度视频，估计帧间光流（运动）。
  2. 重建高光谱视频：min |∇₄u| + |∂_{t,flow} u| s.t. ‖b − RSu‖ < ε。x、y、t 用一阶差分，λ 用二阶差分；用原始–对偶方法求解。
• Fast version：CNN + LSTM（看 5 帧），GPU 上每 16 个 patch 0.04–0.06 s，但压缩比较低（最多 100:1）；优化方法每帧 390 s。
• Results：361–827 nm，每波段 7.3 nm；18.4 万个测量重建 157 帧；光谱与光纤光谱仪一致；不用光流时颜色丢失。
• Conclusion for CUS：和 CUS 最接近：单探测器、一串顺序测量、每个值约为场景总光的一半。但相邻 pattern 是伪随机的，差别大；███ ████████████ ███████ ██████████████████。

怎么讲：重点读结论框："测量模型完全对上，动态范围问题也有（每个值是总光的一半），唯一不对的是 pattern 顺序——████ ███ ██████████。████想法 3 ████████。"

English script（可直接照读）：

Reconstruction has two stages. First, they rebuild a grayscale video and estimate optical flow. Then they rebuild the hyperspectral video with 4D total variation plus optical flow. The result is 128 by 128 pixels, 64 bands, at 4.3 frames per second. Now the conclusion box. The measurement model matches CUS completely. The dynamic range problem is also there, because each value is about half of the total light. The only thing that does not match is the pattern order. Neighbouring patterns are pseudo-random and very different. ██ ███ ███, ██ ████ ███████ ████ ██ ████ ████████████ ████████ ██████ ██ ████ █ ███ ███████. ████ ██ ███ ████████ █████ ██ Idea 3.

可能被问到的问题

• Q：光流是干什么的？ A：估计物体在帧间怎么运动，让重建时可以沿运动方向约束平滑，避免运动模糊、保留颜色。
  • EN Q: "What is the optical flow for?"
  • EN A: "It estimates how objects move between frames. Then reconstruction can enforce smoothness along the motion. This avoids motion blur and keeps the colours."
• Q：为什么光谱方向用二阶差分？ A：光谱曲线大多分段线性，二阶差分惩罚弯曲而不惩罚斜坡。
  • EN Q: "Why use a second-order difference along the spectrum?"
  • EN A: "Most spectral curves are piecewise linear. A second-order difference penalizes bending, but not slopes."
• Q：快速版和 900:1 能同时达到吗？ A：不能。网络版受 GPU 显存限制，只在分块、压缩比 ≤ 100:1 下测试；900:1 是优化方法的结果。slides 上已注明。
  • EN Q: "Can the fast version also reach 900 to 1?"
  • EN A: "No. The network version is limited by GPU memory. It was only tested on patches, with compression ratio up to 100 to 1. The 900 to 1 result is from the optimization method. The slides note this."
• Q：论文有没有提 ADC 或饱和？ A：没有。只提到分辨率提高会降低每次测量的 SNR。
  • EN Q: "Does the paper mention the ADC or saturation?"
  • EN A: "No. It only says that higher resolution lowers the SNR of each measurement."

生词表

第 17 页 · 横向对比表

英文标题：No paper uses a modulo ADC; MRI and single-pixel video measure in a controllable order

这页回答什么：把 7 篇论文按 CUS 的三个条件（加一列"是否讨论 ADC 位深"）放在一起比，看 CUS 最适合用在哪里。

页面内容逐项解释

"—"表示不适用或未讨论。底部注明：7 篇近期论文按引用和相关性选取，结果引自论文，未复现。

• Conclusion：位深不够有文献记录的，是临床前 MRI、线圈上数字化和快照光谱成像，近期的成像论文都没有解决；顺序且可控的测量存在于 MRI 和单像素视频中——这是 CUS 适合的地方。

怎么讲：按列读，一列一句："第一列，证明量程不够的是 Behin（临床前 20 bit）和 Yuan（快照式每波段只剩 4 bit），而 Gabr 说明临床 3 T 约 15 bit、现有 ADC 够用；第二、三列，能按顺序、可控测量的是 MRI 和单像素；最后一列，没有一篇用 modulo ADC。所以 CUS 适合 MRI 轨迹和单像素视频。"

English script（可直接照读）：

This table compares the 7 papers, column by column. First column: who shows that the detector range is not enough? Behin shows it for preclinical MRI: 20 bits. Yuan shows it for snapshot spectral imaging: maybe only 4 bits per band. Gabr shows that clinical 3 tesla needs about 15 bits, so current ADCs are enough there. Second and third columns: which systems measure in order, with an order we can control? That is MRI and single-pixel video. Last column: no paper uses a modulo ADC. So the range problem is documented in preclinical MRI, on-coil digitization and snapshot spectral imaging, and recent imaging papers do not solve it. Ordered, controllable measurements exist in MRI and single-pixel video. That is where CUS fits: MRI trajectories and single-pixel video.

可能被问到的问题

• Q：快照式既然量程问题最明确，为什么不是首选？ A：它不满足"按顺序测量"，CUS 的差分思路用不上，████████████████（想法 4）。
  • EN Q: "Snapshot imaging has the clearest range problem. Why is it not your first choice?"
  • EN A: "Snapshot imaging does not measure in sequence. So the difference idea in CUS does not work there. ██ █████ ████ █ ███ ██ ██████. ████ ██ Idea 4."
• Q：M2 为什么"量程"一栏是"—"？ A：它是重建方法，不涉及硬件采集。
  • EN Q: "Why is the range column a dash for M2?"
  • EN A: "M2 is a reconstruction method. It does not deal with hardware acquisition."
• Q：Gabr 那一行为什么是"否"？ A：它实测临床 3 T 信号约 15 bit 以内，现有扫描仪 ADC 加过采样有效约 17 bit，够用。它放在表里，是为了说明 MRI 的位深压力集中在临床前和线圈上数字化，而不是临床控制台。
  • EN Q: "Why does the Gabr row say no?"
  • EN A: "Gabr measured clinical 3 tesla signals. They need about 15 bits or less. Current scanner ADCs with oversampling give about 17 effective bits, so that is enough. We keep Gabr in the table to show where the pressure is. For MRI, the bit-depth problem is in preclinical systems and on-coil digitization, not in the clinical console."

生词表

第 18 页 · MRI 方向的想法

英文标题：Ideas for MRI: █████ ███████ ████ ██████████ ██████ ███ ████ █████████ ██████████████

这页回答什么：基于调研，MRI 方向有哪些可以讨论的想法。每个想法按"想法 / 依据 / 待讨论"三行。

Idea 1: ███████-█████ ██████████ ████████（██████████████████）

• 想法：████████ ████ ████ ████████，██████████████████████████（██████ █-█████ ██████████████████████）。
• 依据：█████ ██████ █████ ██████████████ █ ████████；█-█████ ██████████████ ███ ████（█████）。
• 待讨论：████████████ ████ ████████；██████████████████████████？██████████████████，████████████████？

Idea 2: █████████ ██████████████ ████ ██████ ████（████ ██████ ██████████████）

• 想法：████ █████ ████，██████████████████████████████，██████████ ██ ████████████、████、██████。
• 依据：██████████████████████████，██████ ‖█*█‖ ≤ █ ██ █ ████；██████████████（█████ & ██）。
• 待讨论：██████ ████████，██████████████████████████；██████████████████ ██–██ ████。

怎么讲：每个想法读"想法"一行，再挑"待讨论"里一个问题抛给听众。

English script（可直接照读）：

████ ███ █ █████ ███ ███. Idea 1 ██ ███████-█████ ██████████ ████████. █████ ███████ ██████ ██████ █-██████ ████████████ ████ █ █████ ███████. ██ █████ ███ ███ ████ ███████ ████ ██ ███ ████████ ███ ████ ████ █████████. ██ █████████ ███ ██████ ██ ████ █████, ██ ███ ██████ ███████ ████████ ███████ ████ ███ █-█████ ██████. ███ █-█████ ██████ ████ ████ ███ ███ █████, ██ █████ █████. ████████ ███ ███: ███ ████ █████ ███████ █████ ████ ███████ ███████ ████? Idea 2 ██ █████████ ██████████████ ████ ██████ ████. ██ ████ ███ █████ █████. ██ ██████ ████ ███ ████ ███████████ ████ ██ █ ███████-█████ ███. ███ ███████, ██ ███ ███ ███████ ██ ██ ████████ ███ ████ ████████, ██████, ███ ███████ █████. █████ ███ ██ ████ ███ █████ ████ ███ ██████ ██ ████████. ████████ ███ ███: ████ ██████ ████ ██ ███-██████, ██ ███ █████'█ █████ ██ ██████ █████. ██ ████ █ ███████?

可能被问到的问题

• Q：████████████████？████████████？ A：████████████████ ███████ ████（███ ████████ █ ████████），██████████ █-█████ ██████，██████████，████████████。（████████：████████████████████，██████████████████ █× ██ ██%，█× ██ ██%。████ ██████ ██，██████████████████。）
  • EN Q: "████ ██ ███████ ████████████, ███ ███ ████ ██ ████?"
  • EN A: "██ ██████ ████ ███████ ████ ███████ █████ ███ ███████ █████████. ███ ███████ ████ █ █████ ████████████ ██ ███████. ████ ████████ ███████ ███ ██████ ██ █-█████. █████ ██████ ██████ ████, ██ █████ ███ █████ ████ █████. ██ ███ ███████ ██████████, ██ ███ ██████ ███████ ████, ███ ████ ████ ███ █████ ██ ███████ ██ █ █████ ███ █████ ██ ███████ ██ █ █████. ████ ██ █ ███████████ ██████ ████ ███ ███ ██████████. ██ ██ ███ ██ ███ ██████."
• Q：想法 2 ██████"██ ███ ████████████████"██████████？ A：██████████████，████████████████；████████████████████████████████████████████████。
  • EN Q: "███ ██ Idea 2 █████████ ████ █████ ██████████ ████ ███ ███ ████ ███████ █████████ ██████████████?"
  • EN A: "████ ██ █ █████ ██ █ █████. ██ ███ ██████████ ██ █████, ███ ██████ ████ ██████ ███ ██. ██ ██ █████████ ███ █ █████, ███ █████ ████████ ████ ██████. ████ ██ ████████ ███ ████████ ██ ███ ████ ████████."
• Q：██████████？ A：██████████████████████；████████████████████（████ ███ ████████████）。
  • EN Q: "████ ███████ ███████ ██ ██ ███-██████?"
  • EN A: "██ ███ ████████ ██ █ █████ ███████ ████████. ██ ████ █ ████ ██████████████ ██ █ ██████████. ███ ███████, ███ ██████ █████ ████ ██ ███."

生词表

第 19 页 · 光谱成像方向的想法

英文标题：Ideas for spectral imaging: █████ ██████-█████ ████████ ████████; ████ ████████ ██████ ██ ██

Idea 3: ████████ ███████ ██████-█████ ████████（████████████████ ███████）

• 想法：██ ████████ ████████████ ███████ ████，██████ ███████ ████████████；██████ ██████ ██████ + ███ ████。
• 依据：██████████████████████████████，███████ ██████████（██ ████）；████████ ███████ ██████ ███ ████████（█████████ ████，██ ██████ ██）。
• 待讨论：██████████████████████████（████████████████████████），████████████████████？██████████████████████████–████████████████。

Idea 4: ██ ██████ ██████ ███ ████████ ████████ ███████（██████████████████ ██████ ████）

• 想法：████████████████████████████ ██████ ████，████████████████████████。
• 依据：██████████████████████████████████（████ ████）；██████████████ ██%（████ ████）；██████████████ ██████ ████████████（██████ ████，██ ██████ ██）。
• 待讨论：██████████████████，████████，████████████ ███ ██████████。

怎么讲：读完后直接转入讨论，例如问："这四个想法里，哪个最值得先做？"

English script（可直接照读）：

████ ███ █ █████ ███ ████████ ███████. Idea 3 ██ ████████ ███████ ██████-█████ ████████. ██ █████ ████████ ██ ██████████ ██████ ████████, ██ ████ ████████ ████████ ██████ ██ ████ █ ███ ███████. ████ ██ ███ █ ██████ ████████ ███ ███████ ████ ███. ██ ██████-█████ ███████, ████ █████ ██ █████ ████ ██ ███ █████ █████, ███ ███ ████████ ███ ██████-██████, ██ ██ ████ █████. ██████-█████ ████████ ███████ ███ ██ ███ █████; █████████ ████ ██ ██ ██████ ██. ███ ████ ████████: ████ ██████ ████████ ████ ███████████, █████ ██ ███ █████-███ ██ ███ █████, ██ ████ ███ █████-██████████ ███████? Idea 4 ██ ██ ██████ ██████ ███ ████████ ████████ ███████. ████████ ███████ █████ ██ ██ ████ ███████ █████, ██ ████ ████ ████. ███ ███████ ██ ███ █████ ██ ██, ███ █████ █ ████████. ██ ██ ██ █ █████████ ████████ ███████ ████ ███. ███ █ ████████ ███ ████████: ██ █████ █ █████, █████ ███ ██████ ██ ███ █████?

可能被问到的问题

• Q：████████████"██████████████"██████？ A：████████ ████ ██████████（██████████████），██ █████████ ██████████；████████ ██████████████████（██████、█████ ██、███████ █████ ████），████████ ███ ████████。
  • EN Q: "██ █████ ██ ████████ ████████ █████ █████████ ██████ ██ ████ █ ███ ████?"
  • EN A: "██ ███ ███ ███ ████ ██ ████ ████ ████████, █████ ████████ █████ ██████ ██ ████ █ ███. ██ ███ ██████ █████ ████ █████████. ████████ ████ ████ ████ ███████ █████ ██████, ███ ███████ ███████ █████, █████ █████ ███ ███████ █████ █████. █████ ███ ████ ███ █████ █████ █████."
• Q：██████████████████████？ A：████ ███████ ████，██████████████████████████（█_███）████，████████████；████████████████ █_█ ██████。
  • EN Q: "████ ██ ███ ████ ██ ██████ ███████████?"
  • EN A: "██ ████████ ████████ ███ ███ ███████, ███ ███████ ██ ███ ██████████ ███████████ ██████ ██████ ████ ███████. ████ ██, ██ ███ ████ ██. ████ ██████ ████████ ██ ██████. ████ ██ ███████ ███ █████ █ █████-███ ██ ███ █████."
• Q：想法 4 ██ ██████ ████████████████？ A：██████ ████████（██████）██████████████；████████████████████████████████████，████████████████████，██████████████████████。
  • EN Q: "███ ██ Idea 4 █████████ ████ ██████'█ ██████?"
  • EN A: "██████ ████ ██ ██████████ ██ ██████, ███-███████████ ██████. ██ █ ████████ ██████, ████ █████ ██ █ ███ ██ ███████ █████ █████. ██ █████ ██████████, ██ █████ ████ ███████████ ██████████████. ███ ██ ███████ █████ █ █████ ██ █ ███ ███████."

生词表