MTL-FNO：用于稀疏场重建的轻量级多任务傅里叶神经算子
机器学习
2026-05-27 v1
摘要
高效的 onboard 多场稀疏重建是航天器自主运行的关键。虽然现有的深度学习模型在单场重建方面表现有前景，但部署多个独立模型会导致模型规模不可接受，尤其在数据有限的情况下更无法挖掘跨场相关性。为此，我们首先提出一种轻量级多任务傅里叶神经算子（MTL-FNO），这是一种基于硬参数共享的端到端联合训练框架。在每一层中，参数被划分为共享组件和任务特定组件，以捕捉跨场的共同特征，同时保留任务特定特征。此外，任务特定的微调参数实现为 low-rank 形式，实现了显著的模型压缩。其次，为解决在共同优化共享参数和任务特定参数以及它们的实部与虚部时存在的挑战，我们从极坐标形式重新审视FNO的谱权重，设计了一种物理上有意义的解耦优化方案。具体而言，我们应用极坐标分解将谱权重在切片维度上解耦为编码相位信息的酉张量和特征�幅的正半定态张量。通过解耦相位和�幅的优化，我们的方法能够有效缓解任务间冲突。同时，为保持酉几何忠实，引入Cayley变换对酉张量进行重参数化，将受约束的优化问题转化为无约束问题。最后，在稀疏条件下验证了所提方法的有效性。结果表明，MTL-FNO在准确率上与标准FNO相当或更好，同时将总模型规模降低了76%和60%。
引用
@article{arxiv.2605.26718,
title = {MTL-FNO: A Lightweight Multi-Task Fourier Neural Operator for Sparse Field Reconstruction},
author = {Siyu Ye and Shihang Li and Zhiqiang Gong and Benrong Zhang and Weien Zhou and Yiyong Huang and Wen Yao},
journal= {arXiv preprint arXiv:2605.26718},
year = {2026}
}