FieldFormer：基于张量注意力先验的物理场自监督重建
信号处理
2025-06-16 v1
摘要
从原位观测（如无线电地图和海洋声速场）重建物理场张量，对于实现各种应用（如无线通信和水下声学）中的环境感知决策至关重要。物理场数据重建通常具有挑战性，由于观测的有限性和噪声性，需要引入先验信息来辅助重建过程。基于深度神经网络的数据驱动结构约束（如"深度学习先验"）已展现出有前景的性能。然而，这一类技术面临训练阶段和测试阶段之间模型不匹配等挑战。本工作引入了FieldFormer，一个仅从有限的原位观测中自监督学习的神经先验，无需离线训练。具体而言，所提出的框架首先使用高多重线性秩的张量Tucker模型来建模感兴趣场，确保对所有场的通用逼近性质。随后，引入注意力机制来学习核心张量中潜在的稀疏模式，从而缩小解空间。通过这种方式，获得了一个基于Tucker分解的"复杂度自适应"神经表示，可以灵活表示各种类型的场。提供了理论分析以支持所提出设计的可恢复性。此外，使用各种物理场张量的大量实验证明了所提出方法相较于最先进基线的优越性。
引用
@article{arxiv.2506.11629,
title = {FieldFormer: Self-supervised Reconstruction of Physical Fields via Tensor Attention Prior},
author = {Panqi Chen and Siyuan Li and Lei Cheng and Xiao Fu and Yik-Chung Wu and Sergios Theodoridis},
journal= {arXiv preprint arXiv:2506.11629},
year = {2025}
}