2026年10月

共 6 篇文章
针对光学干涉测量中Sim-to-Real迁移的难题,论文提出了一种物理约束与扰动字典学习相结合的可解释数据生成框架。该方法首先通过相位平面化同胚映射,将具有周期性和$2\pi$跳变的干涉相位变换为连续光滑的几何空间,使神经网络能在连续域中学习。数据生成器不再叠加独立噪声,而是对连续平面施加倾斜、缩放、粗糙度、局部变形、遮挡等几何操作,分别对应全局相位梯度、条纹间距、微振动、波前畸变和信号丢失等物理扰动,再经逆变换合成干涉图: $$\mathcal{I}(x,y)=A(x,y)+B(x,y)\cos(\Phi(x,y)+\Delta\Phi_{dis}(x,y))+\eta(x,y).$$ 为建模硬件缺陷的准静态重复性,框架引入扰动字典$\mathcal{D}=\{\mathbf{z}_k\}_{k=1}^K$,通过余弦相似度匹配局部特征,并选择性抬高预测不确定性: $$\widehat{\sigma}_{i,adj}^2=\widehat{\sigma}_i^2+\gamma_{dis}g_i^{dis},\quad g_i^{dis}=\sigma[\kappa_{dis}(r_i-\tau_d)].$$ 生成器与模型构成主动学习闭环:模型回传预测不确定性、物理约束违背和空间注意力图,生成器在局部物理参数邻域$B(\theta,r_q)$内主动查询困难样本,并依据模型收敛状态动态调整课程难度(从干净几何平面到复杂遮挡与边界状态)。物理损失门控确保相位空间连续性和时间演化速度$v_i^{\max}=f(\alpha_{\max},\Delta T_i,\Delta t_i,\kappa)$在允许范围内。最终系统形成“物理定律→变换空间→干涉图合成→推理→门控/字典/不确定性→生成器更新”的自适应闭环,使训练数据分布成为优化过程的主动组成部分,在保持标准U-Net主干不变的情况下显著提升模型稳健性。