采样成本高

传统信号采集受奈奎斯特采样定理约束，需要进行高频、连续采样，产生海量采样数据，导致数据存储与传输成本高，难以满足大规模信号处理需求。

重建效率低

压缩感知虽然能够通过少量采样重构原始信号，但重建过程需要求解稀疏优化问题。随着信号维度提升，候选稀疏组合数量急剧增长，产生组合爆炸；传统算法又容易陷入局部最优，导致重建耗时长、精度下降，难以满足高维场景下的实时成像需求。

量子优化建模 · 提升重构效率

方案构建二次无约束优化（QUBO）建模求解架构，突破传统压缩感知方法依赖连续优化和迭代求解的局限，将高维稀疏信号恢复问题统一转化为离散组合优化模型。通过构建信号位置对应的二值决策变量矩阵，将未知信号结构与观测数据之间的映射关系进行显式建模，并融合稀疏约束项与观测一致性目标函数，在理想仿真条件下可实现从压缩观测信息到原始信号特征的有效恢复，为二值稀疏信号重构提供可解释、可优化的求解框架。

量子寻优 · 精准重构信号

重构稀疏信号恢复中的关键优化环节，将信号稀疏先验、测量矩阵约束以及观测误差最小化问题统一转化为QUBO优化模型；通过模拟退火算法在离散解空间中进行多轮迭代寻优，搜索满足观测一致性的最优二值信号组合，突破传统重构算法在复杂噪声环境和高维搜索空间中易陷入局部最优的限制。利用量子特性将信号恢复过程映射为能量函数最小化过程，最终实现压缩观测条件下的稀疏信号精准重构，并构建信号特征与观测信息之间的优化映射关系。

🔬

欠定重构 · 实现精准恢复

0

重构误差

5 次观测反推10维信号（欠定方程组)，传统最小二乘法有无穷多解 → 优势：QUBO 100%精确重构,重构误差为0(10/10 位一致)。

📈

摆脱穷举·加速组合寻优

2.48s

10维问题耗时

穷举定位稀疏位置组合数指数爆炸(n=100,k=10 时达 17.3 万亿 种组合) → 优势：QUBO不依赖枚举,10维问题仅耗时2.48秒。

📈

弱观测下稳定重构

penalty=1e4 稳定收敛到真实解

经典凸优化(L1/OMP)依赖 RIP 假设，弱观测场景易失真 → 优势:无需该前提，penalty=1e4 下稳定收敛到真实解。

降低采样成本，赋能多领域应用

未来可在优化医学 CT 影像、卫星遥感图像、雷达信号重建效果等领域拓展，减少硬件采样开销，降低设备硬件成本

赋能实时应用，拓展落地场景

为实时成像设备、深空探测以及物联网信号处理提供新型求解方案，拓宽压缩感知落地场景