arXiv cs.AI· Guojun Tang, Paul D. Teal, Alexander Doronin·· 11 小时前AI 评分18
物理引导神经网络校正提升浑浊介质中解析光子传输精度
Enhancing analytical photon transport in turbid media through physics-guided neural network corrections
AI 导读
研究提出一种物理引导残差学习框架，将扩散近似（DA）的解析预测作为物理先验，让网络只学习其与 Monte Carlo 模拟参考之间的残差。在评估的光学参数范围内，该框架将标量反射率 RMSE 和空间分辨反射率 RMSLE 分别较扩散近似降低约 62 倍和 14 倍。仅用 1% 的训练数据，其对应误差就比直接神经网络代理模型低约 87% 和 93%。
正文 · AI 翻译
摘要：解析方法能够快速且计算高效地预测浑浊介质中的光传输，因此对实时和反演应用颇具吸引力。然而，其精度受限于为获得可解解而采用的近似和假设。另一方面，蒙特卡罗（MC）模拟被广泛视为浑浊介质光传输建模的“金标准”，但其高昂的计算成本限制了其在需要重复前向评估的应用中的使用。在此，我们提出一种物理引导的残差学习框架，将解析建模的计算效率与 MC 模拟的精度相结合。作为一个代表性案例研究，我们考虑扩散近似（DA），它在相对强吸收、弱散射和不完善边界处理下会表现出系统性误差。给定吸收系数、散射系数和各向异性因子，相应的 DA 预测被作为物理先验引入，而网络仅学习解析预测与 MC 参考之间的残差。在所评估的光学性质范围内，相对于扩散近似，所提出的框架将标量反射率 RMSE 和空间分辨反射率 RMSLE 分别降低约 62 倍和 14 倍。仅使用可用训练数据的 1\%，其相应误差比直接神经网络代理模型低约 87\% 和 93\%。这些结果表明，学习对解析物理基线的修正可同时提高预测精度和数据效率。
| 评论： | 6 页，4 幅图 |
| 主题： | 光学（physics.optics）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.26917 [physics.optics] |
| （或 arXiv:2610.26917v1 [physics.optics] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.26917 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Guojun Tang [查看邮箱]
[v1]
2026 年 10 月 17 日星期六 07:28:34 UTC（3,106 KB）
来源：arXiv cs.AI · arxiv.org