根据论文《Single-pixel imaging using physics enhanced deep learning》的内容，以下参数可调整以体现该方法的核心优点（如低采样率下的鲁棒性、泛化性和高保真度）：
1. 采样率（\(\beta = M/N\)）
- 定义：M为测量次数（编码模式数量），N为图像像素总数（如 64×64=4096 或 128×128=16384），\(\beta\)表示采样率（）。
- 调整方式：减小M（如从 1024 降至 512，对应\(\beta\)从 6.25% 降至 3.125%）。
- 体现优点：论文指出该方法在低采样率（如 6.25%）下仍能优于传统方法（如 HSI、TV、DCAN）（、），降低\(\beta\)可直观展示其 “减少测量次数却保持高质量重建” 的优势。
2. 噪声水平（信噪比，SNR）
- 定义：通过向桶信号添加高斯白噪声模拟低光或干扰环境，SNR 计算公式为\(10\log_{10}[\overline{(I-\bar{I})^2}/\delta]\)（\(\delta\)为噪声方差）（）。
- 调整方式：降低 SNR（如从 20dB 降至 5dB）。
- 体现优点：该方法因融入 DGI 物理层（对噪声鲁棒，）和微调过程，在高噪声下的重建质量（PSNR、SSIM）优于纯数据驱动方法（如 DCAN）（、），低 SNR 设置可突出其抗噪声能力。
3. 微调迭代步数（steps）
- 定义：模型驱动微调过程的迭代次数，用于优化网络权重以拟合测量信号（）。
- 调整方式：对比不同步数（如 50 步、150 步、300 步）的结果。
- 体现优点：论文提到微调可消除数据驱动方法的伪影（），通过观察步数增加时图像伪影减少、细节增强的过程，可验证其 “结合物理约束提升泛化性” 的优势（）。
4. 编码模式类型
- 定义：用于照明的编码模式（如随机模式、Hadamard 模式、论文提出的 “优化模式\(H^*\)”）（、）。
- 调整方式：替换为随机模式或传统 Hadamard 模式，与论文的优化模式对比。
- 体现优点：优化模式通过物理信息自编码器训练生成，能提升 DGI 初始重建质量（），对比实验可体现该方法 “物理信息与数据驱动融合” 的设计优势（）。
5. 数据集类型
- 定义：预训练模型使用的数据集（如 CelebAMask-HQ 人脸数据集、STL10 自然图像数据集）（、）。
- 调整方式：用与训练集差异大的图像（如训练用人脸，测试用建筑）进行重建。
- 体现优点：论文指出微调过程可解决传统深度学习的泛化问题（），跨数据集测试能验证其 “对未知目标的重建能力”（）。