霧裡不是什麼都看不見：像視網膜的感測器加脈衝神經網路，如何從散射光中抓回移動輪廓？

# 霧裡不是什麼都看不見：像視網膜的感測器加脈衝神經網路，如何從散射光中抓回移動輪廓？

作者：山海資料室；共同作者：全明正｜文化影像工作者｜雙龍部落布農巒社｜關注環境科技、農林漁牧傳統知識與科技如何改變當代科技｜海洋、地景、環境科技、農林漁牧傳統知識與公共政策轉譯

普通相機為什麼在霧裡失去目標

在電腦視覺、光學成像與自主導航系統的技術發展中，極端惡劣天氣——特別是濃霧、暴風雪、濃煙與水下混濁介質——始終是傳統感測技術難以跨越的物理屏障。傳統光學相機依賴全域曝光機制（Global/Rolling Shutter），以固定幀率（如每秒三十或六十張圖片）收集進入鏡頭的所有光子。然而，當光線穿透濃霧懸浮微粒時，強烈的多重散射效應（multiple scattering）會使未被偏折的直射光（彈道光子，ballistic photons）迅速衰減，而朝四面八方散射的光線則形成一面白茫茫的均勻雜訊背景（後向散射光眩光，backscatter glare）。傳統相機在這種強散射背景下，感光像素迅速達到飽和過曝，微弱的物體輪廓訊號徹底被淹沒在噪聲之中。

發表於國際頂尖科學期刊《自然通訊》（Nature Communications）與IEEE模式分析與機器智慧期刊（TPAMI）的最新突破性研究，展示了一種完全跳脫傳統幀率思維的神經形態視覺（Neuromorphic Vision）解決方案。該方案結合了模擬生物視網膜感光機制的「動態視覺感測器」（Dynamic Vision Sensor, DVS，通稱事件相機，Event Camera）與「脈衝神經網路」（Spiking Neural Network, SNN），從光學物理底層徹底改寫了穿透散射介質的影像重建原理。

事件相機的感光像素完全擺脫了固定曝光時間的限制。感測器上的每一個像素都是獨立運作的非同步單元，唯有當該像素接收到的光強對數變化量（logarithmic intensity change）超過預設閥值時，才會在微秒級（低於十微秒，<10 µs）的時間尺度內發出一個離散的數位脈衝事件（包含像素座標、精確微秒時間戳與極性正負）。在濃霧介質中，雖然靜態散射光強度極高，但由於其強度在短時間內恆定不變，事件相機的像素對這種靜態背景完全「視而不見」，根本不會觸發任何事件；而當霧中有移動物體（例如行駛車輛或移動行人）穿行時，物體邊緣引起的瞬時光強變化會立即激發一串極度密集的時空脈衝流（event stream）。

研究團隊進一步採用架構高度相容於事件相機的脈衝神經網路（SNN）進行訊號解碼。SNN天然以稀疏的脈衝序列作為運算單元，在神經形態處理晶片上僅在有事件到達時才進行能耗極低的事件驅動運算。實驗數據表明，這套神經形態系統展現了超過一百二十分貝（>120 dB）的超高動態範圍，並將端到端處理延遲壓低至數毫秒以內。透過結構相似性指標（SSIM）量化評估，系統在濃霧穿透測試中重建動態輪廓的保真度顯著優於傳統卷積神經網路（CNN）與常規相機。然而，研究團隊極其審慎地劃定了物理局限：如果目標物體在霧中保持絕對靜止且相機無相對運動，感測器將無法產生任何事件，目標將直接在視野中「隱形」；此外，在極度微弱的光照或極限濃度光學厚度下，光子嚴重缺失導致的感測器熱雜訊，依然會對系統重建造成不可忽視的性能衰退。

像視網膜一樣，只抓正在變化的光

每當神經形態計算或人工智慧感測領域發布這類實驗室突破時，大眾傳播媒介往往迅速陷入「濃霧透視眼」、「自動駕駛再也不怕大霧車禍」或「神經晶片徹底終結惡劣天氣搜救難題」的技術狂歡之中。然而，這種將受控暗室光學實驗室的初步成功，直接包裝為成熟工業級應用的報導傾向，對公共安全與工程實務造成了嚴重的誤導。在真實世界的物理環境與公共交通系統中，濃霧從來不是光學水槽裡均勻分布的單一介質，而是伴隨著狂風亂流、降雨、動態光影反光以及各類複雜干擾的極端混亂場景。如果公眾或投資機構輕信宣傳，誤以為該技術已可隨時商用部署，極可能引發盲目的安全自滿，甚至在自動駕駛系統中造成致命的安全隱患。

從實驗室的光學長桌退回到公共安全的現實場景，我們必須嚴肅探討真正的公共工程與生命倫理問題：我們該如何看待這項前沿技術在真實複雜環境中的「不可靠邊界」？在山區緊急搜救、海上巡防救難或高快速公路交通管理中，最致命的危險往往不是移動的車輛，而是「靜止在濃霧車道上的拋錨事故車」、「受傷倒在路邊動彈不得的傷患」或是「落水漂浮於海面的遇險人員」。依照事件相機的物理特性，恰恰是這些攸關生死的「絕對靜止目標」，在缺乏相對運動的情況下根本無法激發像素事件，從而在感測畫面中完全隱形。

因此，專業的工程界與公共政策制定者必須保持高度清醒：任何新興技術的引進，都必須嚴格明確其作為「多感測器融合互補工具」的次要定位，絕對不能盲目宣稱其能單獨替代現有的毫米波雷達、光學雷達（LiDAR）或長波紅外線（LWIR）感測體系。山區搜救、水下探勘與自動駕駛等場景，在現階段只能被嚴謹定義為「潛在應用」或「實驗性前瞻探索」，絕不能被過度包裝為立即可用的商業產品。公共體系的責任是建立嚴格的容錯標準與極限測試規範，絕不允許未經驗證的技術神話拿公眾的生命安全冒險。

SNN 怎麼從稀疏事件抓回移動輪廓

在探討前沿感測科技的研發與落地時，雙向知識的本質絕非在冷冰冰的晶片參數上隨意拼貼幾句在地文化修辭，而是讓尖端實驗室的高度抽象算法，與長年生活在特定地理氣候環境中的第一線實踐者、在地山林工作者的深刻身體感知展開真實的互相校正。西方科技哲學擅長建立數學公式、神經元微積分模型與微秒級的時空編碼；然而，長年在高山森林、險峻縱谷中巡護的台灣原鄉部落族人、資深獵人與文化影像工作者，所掌握的則是對高山濃霧、山嵐流動、林間光影漫射以及極端地形氣候特徵的立體認知。

以布農族巒社群世代生活的雙龍、地利等中央山脈部落為例，族人對高山雲霧的辨識絕非單純依賴單一視覺光學。在布農族的傳統山林知識體系中，霧氣具有多樣的性格與生命：有的晨霧預示著午後的驟雨，有的谷霧則隨地形上升氣流盤旋，遮蔽山徑卻在樹梢下方留下清晰的氣味與聲響路徑。族人在濃霧中行走時，眼睛所尋找的從來不是全景清晰，而是依靠地景邊緣的對比、微風帶來的濕度變化、腳底岩石的觸感以及鳥獸微弱的叫聲來構建動態的方向感。這種「在資訊極度破碎與雜訊干擾中提取關鍵邊緣線索」的傳統感知模式，在深層物理邏輯上竟與事件相機「過濾背景漫射、僅捕捉微小動態變化」的神經形態原理形成了跨越時空的深刻共鳴。

當實驗室工程師願意走出冷氣房，將事件相機原型機帶到台灣高山潮濕多變的原始林間進行測試時，在地文化工作者指出的盲點往往能給予算法最直接的校正：林間隨風劇烈搖晃的樹葉和飄散的蛛絲會產生大量無效事件，使神經網路瞬間被無意義的脈衝淹沒；而真正需要識別的獵徑崩塌處或隱蔽野生動物，卻隱藏在微小的靜態光差之中。在地經驗提醒研發團隊：必須在演算法中加入符合山林微氣候特徵的空間注意力機制與噪聲過濾規則。這種雙向校正讓前沿科技擺脫了在無塵室中的虛假完美，走向真實大地的泥濘與風雨，在尊重在地知識的同時獲得真正的生命力。

從實驗室走向山區、海上與搜救還缺什麼

要將一項實驗室階段的神經形態視覺突破，轉化為能夠真正進入國家搜救隊裝備、智慧防災監控乃至民用車載系統的安全工具，中間必須跨越數道嚴苛的技術工程、安全認證與制度驗證門檻。從頂尖論文走向裝備定型的第一道門檻，是極端天候下的車規級與防護級硬體可靠度驗證。事件相機與神經形態計算晶片目前多數仍處於原型實驗階段，其在劇烈高低溫溫差（如零下二十度至高溫六十度）、高濕度冷凝水滴侵蝕、劇烈震動以及強烈電磁干擾環境下的長期工作穩定性，尚未經過數萬小時的嚴苛驗證。若未經工業級認證便草率投入高風險搜救實務，硬體一旦在關鍵時刻當機，後果不堪設想。

第二道門檻在於多感測器跨模態融合演算法的極限安全冗餘（Safety Redundancy）認證。在公共交通與自主移動載具的監管框架下，任何依賴動態變化的感測器，都必須在軟體底層與互補型感測器（如固態光學雷達、長波紅外線與高頻毫米波雷達）建立不可分割的深度融合機制。當車輛在霧中減速或靜止時，系統必須能自動平滑切換至主動發射型感測器以偵測靜態障礙物，防止因單一感測器「動態盲區」而引發致命事故。交通主管機關必須建立嚴謹的極端天候測試認證場域，對所有聲稱具備透霧感知能力的演算法進行全場景壓迫測試，未達安全標準者一律不得核發路測許可。

第三道門檻則是制度性資源的長期持續投入與跨領域倫理評估。前沿感測科技的研發與轉譯絕非短期一兩年的拔尖專案所能成就，國家科研預算必須具備長遠的戰略定力，支持跨學科團隊建立本土化的極端天候動態光學資料庫，將台灣高山、近海特有的多霧多雨水文數據納入開源基準測試中。同時，在涉及搜救影像記錄、國土監控與原鄉地景掃描的過程中，必須嚴格遵守個人隱私保護與在地社群知情同意原則，防止高科技工具淪為侵犯隱私或監控原鄉生活空間的特權武器。唯有走過每一道工程安全、法規認證與倫理審查的嚴格大門，前沿科技的創新之光才能真正穿透迷霧，為公共社會築起一道堅實可靠的生命防線。

資料來源與延伸閱讀

• Nature Communications｜Neuromorphic event-driven vision through scattering media using spiking neural networks
• IEEE Transactions on Pattern Analysis and Machine Intelligence｜Event-based vision in challenging atmospheric conditions