本章探讨量子光学原理在成像和计算中的应用，特别关注量子关联如何突破经典成像的限制。我们将从鬼成像开始，展示如何利用光子关联重建图像，然后探讨量子照明在噪声环境中的优势。通过分析纠缠光子对的独特性质，我们将理解量子成像如何实现亚散粒噪声性能。最后，我们展望量子计算如何革新渲染算法，为计算机图形学开辟新的可能性。
完成本章后，您将能够：
鬼成像是一种利用光场关联特性重建物体图像的技术，它挑战了传统成像需要光线直接从物体到达探测器的观念。这种技术最初在量子光学中发现，但后来发现经典光源也能实现类似效果。鬼成像的核心思想是通过强度涨落的关联来恢复空间信息，这与传统成像通过直接记录空间强度分布形成了鲜明对比。
考虑一个分束器将光源分成两路：信号光路和参考光路。信号光照射物体后被桶探测器（无空间分辨率）收集，参考光被具有空间分辨率的探测器阵列记录。这种配置的精妙之处在于，尽管桶探测器不具备空间分辨能力，但通过与参考光路的关联测量，仍能重建物体的空间结构。
光场的二阶关联函数定义为： \(G^{(2)}(\mathbf{r}_1, \mathbf{r}_2, t_1, t_2) = \langle E^*(\mathbf{r}_1, t_1) E^*(\mathbf{r}_2, t_2) E(\mathbf{r}_2, t_2) E(\mathbf{r}_1, t_1) \rangle\)
对于稳态光场，时间依赖性可以分离，我们关注空间关联： \(G^{(2)}(\mathbf{r}_1, \mathbf{r}_2) = \langle I(\mathbf{r}_1) I(\mathbf{r}_2) \rangle\)
| 其中 $I(\mathbf{r}) = | E(\mathbf{r}) | ^2$ 是光强。 |
为了理解关联成像的物理基础，我们需要考虑光场的统计性质。对于热光源，光场满足高斯统计，其四阶关联函数可以通过Gaussian moment theorem分解为二阶关联的乘积： \(G^{(2)}(\mathbf{r}_1, \mathbf{r}_2) = \langle I(\mathbf{r}_1) \rangle \langle I(\mathbf{r}_2) \rangle + |g^{(1)}(\mathbf{r}_1, \mathbf{r}_2)|^2\)
其中 $g^{(1)}(\mathbf{r}_1, \mathbf{r}_2) = \langle E^*(\mathbf{r}_1) E(\mathbf{r}_2) \rangle / \sqrt{\langle I(\mathbf{r}_1) \rangle \langle I(\mathbf{r}_2) \rangle}$ 是归一化的一阶相干函数。
这个关系揭示了关联成像的本质：强度涨落的关联携带了光场的相干性信息，而这种相干性编码了空间结构。
设物体透过率函数为 $T(\mathbf{r})$，桶探测器测量的总强度为： \(I_B^{(n)} = \int T(\mathbf{r}) I_S^{(n)}(\mathbf{r}) d\mathbf{r}\)
其中 $I_S^{(n)}$ 是第 $n$ 次测量时的信号光强分布。
通过计算桶探测器信号与参考光路各像素的关联： \(\langle \Delta I_B \Delta I_R(\mathbf{r}_0) \rangle = \sum_{n=1}^{N} [I_B^{(n)} - \langle I_B \rangle][I_R^{(n)}(\mathbf{r}_0) - \langle I_R(\mathbf{r}_0) \rangle]\)
当光源具有适当的空间关联特性时，这个关联函数能够重建物体图像。
更严格地，我们可以推导重建图像与物体透过率的关系。假设信号和参考光路的光场来自同一个部分相干光源，经过传播后在两个平面上的强度分布满足： \(\langle I_S(\mathbf{r}_s) I_R(\mathbf{r}_r) \rangle = \langle I_S(\mathbf{r}_s) \rangle \langle I_R(\mathbf{r}_r) \rangle \cdot [1 + |\mu(\mathbf{r}_s, \mathbf{r}_r)|^2]\)
| 其中 $\mu(\mathbf{r}_s, \mathbf{r}_r)$ 是归一化的复相干度。对于适当设计的光学系统，$ | \mu(\mathbf{r}_s, \mathbf{r}_r) | ^2$ 在 $\mathbf{r}_s = M\mathbf{r}_r$ 处达到峰值，其中 $M$ 是系统放大率。 |
将桶探测器的测量展开： \(I_B = \int T(\mathbf{r}_s) I_S(\mathbf{r}_s) d\mathbf{r}_s\)
计算关联函数： \(G^{(2)}(\mathbf{r}_r) = \langle I_B I_R(\mathbf{r}_r) \rangle - \langle I_B \rangle \langle I_R(\mathbf{r}_r) \rangle\)
经过代数运算，可以得到： \(G^{(2)}(\mathbf{r}_r) \propto \int T(\mathbf{r}_s) |\mu(\mathbf{r}_s, \mathbf{r}_r)|^2 d\mathbf{r}_s\)
当相干度函数足够尖锐时，这个积分近似为 $T(M\mathbf{r}_r)$，从而实现图像重建。
重建质量的关键参数包括：
| 相干面积：$A_c = \int | \mu(\mathbf{r}_1, \mathbf{r}_2) | ^2 d\mathbf{r}_1$，决定空间分辨率 |
在量子鬼成像中，使用自发参量下转换（SPDC）产生的纠缠光子对。对于II型SPDC，产生的双光子态为： \(|\psi\rangle = \int d\mathbf{k}_s d\mathbf{k}_i \Phi(\mathbf{k}_s, \mathbf{k}_i) \hat{a}_s^\dagger(\mathbf{k}_s) \hat{a}_i^\dagger(\mathbf{k}_i) |0\rangle\)
其中 $\Phi(\mathbf{k}_s, \mathbf{k}_i)$ 是联合振幅函数，满足动量守恒： \(\mathbf{k}_p = \mathbf{k}_s + \mathbf{k}_i\)
纠缠光子对的空间关联特性由以下函数描述： \(G^{(2)}(\mathbf{r}_s, \mathbf{r}_i) = |\langle 0 | \hat{E}^{(+)}_s(\mathbf{r}_s) \hat{E}^{(+)}_i(\mathbf{r}_i) | \psi \rangle|^2\)
在薄晶体近似下，联合振幅函数可以写为： \(\Phi(\mathbf{k}_s, \mathbf{k}_i) = \alpha(\mathbf{k}_s + \mathbf{k}_i) \cdot \text{sinc}\left(\frac{L}{2}\Delta k_z\right)\)
其中 $\alpha$ 是泵浦光的横向轮廓，$L$ 是晶体厚度，$\Delta k_z$ 是纵向相位失配。
在远场近似下，光子对的联合概率分布呈现独特的关联结构： \(P(\mathbf{r}_s, \mathbf{r}_i) \propto \left|\int d\mathbf{q} \alpha(\mathbf{q}) \exp\left[i\mathbf{q} \cdot (\mathbf{r}_s + \mathbf{r}_i)/z\right]\right|^2\)
这表明信号和闲置光子在横向位置上呈现反关联：当一个光子出现在 $+\mathbf{r}$，另一个倾向于出现在 $-\mathbf{r}$。这种EPR型关联是量子鬼成像的物理基础。
量子鬼成像相比经典版本的优势：
量子与经典鬼成像的根本区别在于光源的统计性质。对于SPDC光源，二阶关联函数表现为： \(g^{(2)}_{si}(\tau = 0) = \frac{\langle \hat{n}_s \hat{n}_i \rangle}{\langle \hat{n}_s \rangle \langle \hat{n}_i \rangle} \gg 1\)
这种超泊松统计是纠缠的标志，而经典热光的 $g^{(2)}(0) = 2$。
计算鬼成像使用空间光调制器（SLM）产生已知的随机或确定性图案。重建算法可以表示为线性系统： \(\mathbf{b} = \mathbf{A} \mathbf{t}\)
其中：
对于欠定系统，可使用压缩感知技术： \(\hat{\mathbf{t}} = \arg\min_{\mathbf{t}} \|\mathbf{b} - \mathbf{A}\mathbf{t}\|_2^2 + \lambda \|\mathbf{t}\|_1\)
测量矩阵 $\mathbf{A}$ 的选择对重建质量至关重要。常用的测量基包括：
单像素相机的信息论分析表明，对于 $N$ 像素的图像，如果在某个基下是 $K$-稀疏的，则只需要 $M = O(K \log(N/K))$ 次测量即可准确重建。这个结果的实际意义是：
高级重建算法包括：
迭代软阈值算法（ISTA）： \(\mathbf{t}^{(k+1)} = \mathcal{S}_{\lambda/L}\left(\mathbf{t}^{(k)} - \frac{1}{L}\mathbf{A}^T(\mathbf{A}\mathbf{t}^{(k)} - \mathbf{b})\right)\)
全变分正则化： \(\hat{\mathbf{t}} = \arg\min_{\mathbf{t}} \|\mathbf{b} - \mathbf{A}\mathbf{t}\|_2^2 + \lambda \|\nabla \mathbf{t}\|_1\)
深度学习方法：
鬼成像的独特优势：
信噪比分析表明，对于 $N$ 次测量： \(\text{SNR}_{\text{ghost}} \propto \sqrt{N} \cdot \frac{\langle I_s \rangle \langle I_i \rangle}{\sigma_s \sigma_i}\)
而经典直接成像： \(\text{SNR}_{\text{direct}} \propto \sqrt{N} \cdot \frac{\langle I \rangle}{\sigma}\)
更详细的性能比较需要考虑具体的成像场景。定义对比度噪声比（CNR）为： \(\text{CNR} = \frac{|T_{max} - T_{min}|}{\sigma_{noise}}\)
对于鬼成像： \(\text{CNR}_{\text{ghost}} = \frac{\sqrt{N} \cdot \eta \cdot \langle n \rangle}{\sqrt{1 + g^{(2)}(0)}} \cdot \frac{|T_{max} - T_{min}|}{1 + \langle T \rangle}\)
其中 $\eta$ 是探测效率，$\langle n \rangle$ 是平均光子数，$g^{(2)}(0)$ 是光源的二阶相干度。
关键性能指标的比较：
应用场景优化：
鬼成像的根本优势在于将空间分辨率从探测端转移到照明端，这种范式转变开启了新的成像可能性。
量子照明是一种利用纠缠光子对在高噪声环境中检测目标的技术。即使纠缠在传播过程中被破坏，量子关联仍能提供优于经典方法的检测性能。
基本协议包括：
初始的双模压缩真空态为： \(|\psi\rangle = \sqrt{1-\chi^2} \sum_{n=0}^{\infty} \chi^n |n\rangle_s |n\rangle_i\)
其中 $\chi = \tanh(r)$，$r$ 是压缩参数。
考虑目标反射率为 $\eta$，背景热噪声光子数为 $N_B$。对于经典照明，接收到的光子数为： \(N_{\text{classical}} = \eta N_S + N_B\)
而量子照明通过保留的闲置模式进行关联测量，有效信噪比为： \(\text{SNR}_{\text{quantum}} = \frac{\eta^2 N_S^2}{N_S + N_B(2N_S + 1)}\)
当 $N_B \gg N_S$ 时，量子优势趋近于： \(\frac{\text{SNR}_{\text{quantum}}}{\text{SNR}_{\text{classical}}} \approx \frac{N_S + 1}{1}\)
在实际应用中，必须考虑：
最优接收机设计基于Helstrom界限： \(P_e = \frac{1}{2}[1 - \|\rho_0 - \rho_1\|_1]\)
其中 $\rho_0$ 和 $\rho_1$ 分别是无目标和有目标时的密度矩阵。
Lloyd证明，在高损耗高噪声极限下，量子照明的误差指数为： \(\xi_{\text{quantum}} = \frac{\eta N_S}{4N_B}\)
而经典相干态照明： \(\xi_{\text{classical}} = \frac{\eta N_S}{4N_B(N_S + 1)}\)
这给出了 $6$ dB 的理论量子优势上限。
量子照明的潜在应用包括：
实现挑战：
纠缠光子对提供了独特的量子关联，使得成像系统能够突破经典限制。本节探讨如何利用这些量子特性实现增强的成像性能。
SPDC是产生纠缠光子对的主要方法。在非线性晶体中，泵浦光子转换为信号和闲置光子对： \(\omega_p = \omega_s + \omega_i\) \(\mathbf{k}_p = \mathbf{k}_s + \mathbf{k}_i\)
相位匹配条件决定了产生的光子对的空间和频谱特性。对于II型相位匹配，联合谱振幅为： \(f(\omega_s, \omega_i) = \alpha(\omega_s + \omega_i) \cdot \text{sinc}\left(\frac{\Delta k L}{2}\right)\)
其中 $\alpha$ 是泵浦包络，$\Delta k$ 是相位失配。
SPDC产生的光子对在横向动量上表现出反关联： \(\mathbf{q}_s + \mathbf{q}_i = \mathbf{q}_p\)
这导致位置-动量纠缠，可用Schmidt分解描述： \(|\psi\rangle = \sum_n \sqrt{\lambda_n} |u_n\rangle_s |v_n\rangle_i\)
Schmidt数 $K = 1/\sum_n \lambda_n^2$ 量化了纠缠维度。
利用光子对的量子关联可以实现亚散粒噪声成像。对于 $N$ 个光子对，经典散粒噪声极限为： \(\Delta N_{\text{shot}} = \sqrt{N}\)
而量子关联可将噪声降至： \(\Delta N_{\text{quantum}} = \sqrt{N(1-\xi^2)}\)
其中 $\xi$ 是关联参数，完美关联时 $\xi = 1$。
量子OCT利用纠缠光子对提高轴向分辨率和抗色散能力。传统OCT的轴向分辨率由光源相干长度决定： \(\Delta z = \frac{2\ln(2)}{\pi} \frac{\lambda_0^2}{\Delta\lambda}\)
量子OCT使用Hong-Ou-Mandel干涉，其干涉包络为： \(V(\tau) = \exp\left[-\frac{(\tau - \tau_0)^2}{2\sigma_\tau^2}\right]\)
其中 $\sigma_\tau$ 与纠缠光子对的联合谱宽度相关。关键优势是：
利用纠缠可以突破Rayleigh衍射极限。对于N光子纠缠态： \(|\psi_N\rangle = \frac{1}{\sqrt{N!}}(\hat{a}^\dagger)^N |0\rangle\)
空间分辨率提升为： \(\Delta x_{\text{quantum}} = \frac{\lambda}{2N \cdot \text{NA}}\)
实现方法包括：
量子Fisher信息给出了参数估计的基本界限： \(\Delta \theta \geq \frac{1}{\sqrt{N \cdot F_Q(\theta)}}\)
其中 $F_Q(\theta)$ 是量子Fisher信息，对于纠缠态通常大于可分离态。
量子计算提供了从根本上不同的计算范式，可能革新某些渲染算法。虽然通用量子计算机尚未成熟，但已经可以识别出具有量子优势的渲染子问题。
量子计算利用叠加和纠缠实现并行计算。一个n量子比特系统的状态为： \(|\psi\rangle = \sum_{i=0}^{2^n-1} \alpha_i |i\rangle, \quad \sum_i |\alpha_i|^2 = 1\)
关键量子算法包括：
许多渲染技术依赖于傅里叶变换：
量子傅里叶变换（QFT）定义为： \(\text{QFT}|x\rangle = \frac{1}{\sqrt{N}} \sum_{k=0}^{N-1} e^{2\pi i xk/N} |k\rangle\)
在量子计算机上，QFT可用 $O(\log^2 N)$ 个量子门实现，相比经典FFT的 $O(N\log N)$ 有指数级改进。
应用场景：
经典蒙特卡洛方法的收敛率为 $O(1/\sqrt{N})$。量子振幅估计可以达到 $O(1/N)$ 的收敛率，提供二次加速。
对于积分估计： \(I = \int_\Omega f(x) p(x) dx\)
量子算法步骤：
| 准备叠加态 $ | \psi\rangle = \sum_x \sqrt{p(x)} | x\rangle$ |
| 应用函数算子 $U_f: | x\rangle | 0\rangle \rightarrow | x\rangle | f(x)\rangle$ |
在渲染中的应用：
量子机器学习算法可能加速神经渲染中的训练和推理：
量子神经网络：参数化量子电路（PQC） \(U(\theta) = \prod_i e^{-i\theta_i H_i}\)
量子核方法：利用量子特征映射 \(\phi: x \rightarrow |\phi(x)\rangle \in \mathcal{H}\)
变分量子特征编码器：用于NeRF类表示 \(|\psi(\mathbf{x})\rangle = U(\mathbf{x}, \boldsymbol{\theta})|0\rangle^{\otimes n}\)
潜在优势：
近期最实际的方法是混合算法，将量子子程序嵌入经典框架：
量子近似优化算法（QAOA）： \(|\gamma, \beta\rangle = e^{-i\beta_p H_B} e^{-i\gamma_p H_C} \cdots e^{-i\beta_1 H_B} e^{-i\gamma_1 H_C} |+\rangle^{\otimes n}\)
应用于：
变分量子求解器（VQE）： 求解 $\min_\theta \langle \psi(\theta) | H | \psi(\theta) \rangle$
用于：
量子退火： 适合组合优化问题：
实现考虑：
量子成像和计算为计算机图形学开辟了新的研究方向。随着量子技术的成熟，我们可以期待看到经典和量子方法的深度融合。
未来的成像和渲染系统将需要无缝集成量子和经典组件：
量子加速器模型： 类似GPU的量子处理单元（QPU）： \(\text{Total Time} = T_{\text{classical}} + T_{\text{quantum}} + T_{\text{interface}}\)
优化目标：最小化接口开销 $T_{\text{interface}}$
理解量子优势的边界对实际应用至关重要：
问题规模阈值： 量子优势仅在问题规模超过临界值时显现： \(N_{\text{critical}} = f(\text{qubit数}, \text{错误率}, \text{相干时间})\)
噪声限制： NISQ时代的实际加速比： \(S_{\text{practical}} = \frac{S_{\text{ideal}}}{1 + \epsilon \cdot \text{circuit depth}}\)
特定问题类别：
下一代量子成像技术正在开发中：
短期（2-5年）：
中期（5-10年）：
长期（10+年）：
量子成像和计算的发展需要多学科协作：
研究挑战：
本章探讨了量子光学原理如何革新成像和计算技术。主要概念包括：
关键公式总结：
| 量子傅里叶变换：$\text{QFT} | x\rangle = \frac{1}{\sqrt{N}} \sum_{k=0}^{N-1} e^{2\pi i xk/N} | k\rangle$ |
练习28.1 推导经典鬼成像的关联函数，证明当光源具有热光统计特性时，二阶关联能够重建物体图像。
提示：考虑热光的强度涨落关联。
练习28.2 计算量子照明在特定条件下的量子优势。设信号光子数 $N_S = 1$，背景热噪声光子数 $N_B = 10$，目标反射率 $\eta = 0.1$。
提示：比较量子和经典照明的信噪比。
练习28.3 对于SPDC产生的纠缠光子对，若泵浦光波长 $\lambda_p = 405$ nm，计算简并情况下（$\lambda_s = \lambda_i$）的信号和闲置光子波长。
提示：使用能量守恒。
练习28.4 设计一个量子增强的体积渲染算法。考虑如何利用量子叠加来同时评估多条光线路径。
提示：将路径积分映射到量子态振幅。
练习28.5 证明在量子OCT中，纠缠光子对能够自动补偿色散。考虑二阶色散 $\beta_2 = d^2k/d\omega^2$。
提示：分析信号和闲置路径的相位累积。
练习28.6 探讨如何将量子计算应用于逆向渲染问题。特别是，如何利用量子算法加速BRDF参数估计？
提示：考虑将其表述为优化问题。
练习28.7 设计一个利用量子纠缠的新型显示技术。如何利用纠缠光子对创建真正的3D显示？
提示：考虑纠缠的空间关联性。