arXiv cs.AI· Yifan Sun, Panqi Chen, Weifeng Shi, Xiao Fu, Lei Cheng·· 10 小时前AI 评分18
TIDAL：用波物理张量表示重建三维海洋声场
Wave Physics as Representation: Tensor-Structured Neural Reconstruction for Ocean Acoustic Fields
AI 导读
研究者提出 TIDAL 神经重建器，从 Helmholtz 方程与简正波传播中导出 S/c 空间-角度张量表示，在低秩特化下化为 rank-(L,L,1) 块项张量分解，并将其作为结构化解码的归纳偏置。该方法无需传统物理反演所需的已知环境参数，在三种结构化采样几何下取得最佳重建性能与最快推理速度，且在数据与模型容量受限时仍受益于物理导出表示。
正文 · AI 翻译
摘要：由于高度振荡的波结构和受限的传感模式/路径，从稀疏测量中重建三维（3D）复杂海洋声场具有挑战性。基于学习的方法分为两类。第一，纯数据驱动模型可以学习复杂的场模式，但没有显式利用波动物理，而波动物理可能增强可解释性并降低训练成本。第二，物理信息方法将指定的物理方程作为重建约束，但通常需要难以获取的环境相关参数。因此，既具有物理依据又对环境信息不确定性具有鲁棒性的实用三维声场重建在很大程度上仍未被探索。这项工作采取了一条替代路线：不是求解完全指定的波动方程，而是从波动物理中提取结构化表示，并从数据中学习其分量。从亥姆霍兹方程和简正模传播出发，我们推导出一种结构化的空间-角度张量表示，称为 S/c 表示。在低秩特化下，它呈现为秩-(L,L,1) 块项张量分解的形式，这将海洋传感中使用的结构化采样模式/路径与场恢复的充分条件联系起来。基于这种张量表示，我们提出了 TIDAL，一种神经重建器，它使用 S/c 表示作为结构化解码的归纳偏置，并使信息聚合与采样几何对齐。该神经学习器消除了传统基于物理的恢复方法所需的已知模型参数。在三种结构化采样几何上的实验表明，TIDAL 在基线中实现了最佳的重建性能和最快的推理，并在有限数据和模型容量下受益于物理推导的表示。
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI)；声音 (cs.SD)；音频与语音处理 (eess.AS) |
| 引用为： | arXiv:2611.01680 [cs.LG] |
| （或此版本的 arXiv:2611.01680v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2611.01680 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yifan Sun [查看电子邮件]
[v1]
2026年11月1日星期日 07:58:49 UTC（1,250 KB）
[v2]
2026年11月4日星期三 07:19:28 UTC（1,250 KB）
来源：arXiv cs.AI · arxiv.org