近日，中国科学院上海光学精密机械研究所空天激光技术与系统部在基于物理增强神经网络的三维火焰化学发光光谱计算层析重建研究方面取得进展，相关研究成果以“PENTAGON: Physics-enhanced neural network for volumetric flame chemiluminescence tomography”为题发表于Optics Express。
光学计算层析技术通过利用探测器从单个或多个采集方向记录未知物体的一维或二维信息，结合重建算法实现平面或立体可视化诊断。受限于实际场景中有限的采集数据，目前的迭代优化类重建算法存在重建质量不佳、计算耗时较长等问题。以数据驱动深度学习为代表的人工智能类算法在大量训练数据时的获取、网络模型泛化性及可解释性等方面存在局限性。
图 1. 三维火焰化学发光光谱计算层析重建方法。(a) 传统迭代类方法和基于数据驱动的深度学习方法，(b) 本研究提出的基于物理增强神经网络的体层析重建框架。
在这项工作中，研究人员提出了一种基于物理增强的神经网络作为体层析重建的推理框架（PENTAGON）。以数据分布偏移和有限视角情况下的三维火焰化学发光光谱计算层析重建问题为例，通过数值模拟和实际火焰实验展示了 PENTAGON 的可行性及有效性。利用来自小样本训练数据集的数据先验信息和基于三维体层析前向成像模型的物理约束协同组合，PENTAGON可以准确重建出与训练数据集在统计上差异很大的三维光场。数值仿真及火焰实验证明PENTAGON 克服了数据分布偏移导致的数据驱动型深度学习方法的泛化限制，并消除了传统迭代算法在有限投影情况下为三维重建结果带来的失真。此外，PENTAGON能够将不同任务的特定物理模型合并到框架中，使重建网络框架在一定程度上具有可解释性。该研究为有限投影数据情况下光学计算层析三维重建提供了一种新方法。
图 2. 三个采集视角条件下不同方法的重建结果对比。(a) 测试场T7, (b) 测试场T9。
