近日，中國科學院上海光學精密機械研究所空天激光技術與系統部在基于物理增強神經網絡的三維火焰化學發光光譜計算層析重建研究方面取得進展，相關研究成果以“PENTAGON: Physics-enhanced neural network for volumetric flame chemiluminescence tomography”為題發表于Optics Express。
 

　　光學計算層析技術通過利用探測器從單個或多個采集方向記錄未知物體的一維或二維信息，結合重建算法實現平面或立體可視化診斷。受限于實際場景中有限的采集數據，目前的迭代優化類重建算法存在重建質量不佳、計算耗時較長等問題。以數據驅動深度學習為代表的人工智能類算法在大量訓練數據時的獲取、網絡模型泛化性及可解釋性等方面存在局限性。
 

　　在這項工作中，研究人員提出了一種基于物理增強的神經網絡作為體層析重建的推理框架(PENTAGON)。以數據分布偏移和有限視角情況下的三維火焰化學發光光譜計算層析重建問題為例，通過數值模擬和實際火焰實驗展示了 PENTAGON 的可行性及有效性。利用來自小樣本訓練數據集的數據先驗信息和基于三維體層析前向成像模型的物理約束協同組合，PENTAGON可以準確重建出與訓練數據集在統計上差異很大的三維光場。數值仿真及火焰實驗證明PENTAGON 克服了數據分布偏移導致的數據驅動型深度學習方法的泛化限制，并消除了傳統迭代算法在有限投影情況下為三維重建結果帶來的失真。此外，PENTAGON能夠將不同任務的特定物理模型合并到框架中，使重建網絡框架在一定程度上具有可解釋性。該研究為有限投影數據情況下光學計算層析三維重建提供了一種新方法。
 

　　此項研究得到了國家自然科學基金、上海市啟明星計劃(揚帆專項)、上海市優秀學術帶頭人等項目的支持。
 

　　圖 1. 三維火焰化學發光光譜計算層析重建方法。(a) 傳統迭代類方法和基于數據驅動的深度學習方法，(b) 本研究提出的基于物理增強神經網絡的體層析重建框架。

 

　　圖 2. 三個采集視角條件下不同方法的重建結果對比。(a) 測試場T7, (b) 測試場T9。