Panda：用于高能物理的可重用传感器级表示的自蒸馏
高能物理 - 实验
2025-12-02 v1 计算机视觉与模式识别
摘要
氦气时间投影 chambers (LArTPCs)提供稠密、高保真的3D粒子相互作用测量，支撑当前和未来的神经数据和罕见事件实验。物理重建通常依赖于复杂的探测器特定管道，使用十几套手工设计的模式识别算法或特定任务神经网络的级联，这些网络需要大量标注模拟数据，标注过程需谨慎且耗时的校准。我们引入Panda，一种直接从原始未标注LArTPC数据中学习可重用传感器级表示的模型。Panda将层次化稀疏3D编码器与多视图、原型中心的自蒸馏目标相耦合。在模拟数据集上，Panda显著提高了标签效率和重建质量，超越了使用1000倍更少标签的前沿语义分割模型。我们还展示了，一个仅为 backbone大小的1/20且无物理先验的集合预测头，可在Panda的冻结输出上进行训练，实现与前沿重建工具相当的粒子识别效果。完全微调进一步在所有任务上提升性能。
引用
@article{arxiv.2512.01324,
title = {Panda: Self-distillation of Reusable Sensor-level Representations for High Energy Physics},
author = {Samuel Young and Kazuhiro Terao},
journal= {arXiv preprint arXiv:2512.01324},
year = {2025}
}
备注
23 pages, 15 figures, preprint. Project page at https://youngsm.com/panda/