DeepLight：用于组织光传输的 Sobolev 训练图像到图像代理模型
机器学习
2026-01-15 v1 医学物理
摘要
在光声成像中，通过反演光传输来恢复组织的吸收系数仍是一个具有挑战性的问题。解决该问题的改进能极大提升光声成像的临床价值。现有的变分反演方法需要该光传输的准确且可微的模型。由于神经代理模型能够对复杂物理过程进行快速且可微的仿真，它们被认为是用于求解此类逆问题的有前途的候选者。然而，通常无法保证这些代理模型的导数能准确匹配底层物理算子的导数。由于准确的导数对于求解逆问题至关重要，模型导数中的误差会极大阻碍高保真重建。为了克服这一局限性，我们提出了一种用于组织光传输的代理模型，该模型利用 Sobolev 训练来提高模型导数的准确性。此外，我们使用的 Sobolev 训练形式通常适用于高维模型。我们的结果表明，对光传输代理模型进行 Sobolev 训练不仅提高了导数准确性，还降低了分布内和分布外样本的泛化误差。这些改进有望显著增强代理模型在下游任务中的实用性，尤其是在求解逆问题方面。
引用
@article{arxiv.2601.09439,
title = {DeepLight: A Sobolev-trained Image-to-Image Surrogate Model for Light Transport in Tissue},
author = {Philipp Haim and Vasilis Ntziachristos and Torsten Enßlin and Dominik Jüstel},
journal= {arXiv preprint arXiv:2601.09439},
year = {2026}
}