IEEE TWC 2026 论文精读与Python代码完整复现LAEImager协作 ISAC 网络中的物理嵌入离网格成像如有帮助请引用Huang Y, Yang J, Xia S, et al. Learned off-grid imager for low-altitude economy with cooperative ISAC network[J].IEEE Transactions on Wireless Communications, vol. 25, pp. 3333-3348, 2026.论文的核心链路是“协作感知建模—PSF 分析—物理域投影—残差网络精修—困难样本挖掘”。以下直接讨论可辨识性、离网格失配和损失函数设计不再展开通用 ISAC 概念。01从协作信道测量到稀疏低空图像系统由多个具备通信与感知能力的基站构成。不同基站既可以形成单站收发链路也可以形成跨基站的多站链路每条链路再叠加天线对和子载波维度。对感兴趣区域进行三维体素化后每个体素对应一个候选散射位置其复散射系数构成稀疏向量 σ。将全部基站对、天线对和子载波的信道观测堆叠后系统可写成统一的线性模型yAσn y A\sigma nyAσn其中y 是协作网络汇集的信道测量A 是由基站位置、阵列几何、子载波频率和体素中心共同决定的感知矩阵n 是测量噪声。σ 的非零位置表示存在无人机的体素系数幅度反映散射强度。该建模方式的关键价值在于它不再对每条链路分别估计距离、角度再执行跨站匹配而是让所有链路直接对同一个空间稀疏图像提供约束。传统在网格恢复问题因此可以写成σ^argmin∣σ∣0subject to∣y−Aσ∣2≤ε \hat{\sigma} \arg \min |\sigma|_0 \\ \text{subject to} \quad |y - A\sigma|_2 \leq \varepsilonσ^argmin∣σ∣0subject to∣y−Aσ∣2≤ε这里的困难不只来自零范数。A 的列向量对应不同体素的空间响应相邻体素可能具有很高的相关性当网格继续加密时未知量数量、存储开销和列相关性会同时上升。论文因此先用点扩散函数分析“这个系统究竟能否分开两个相邻体素”再讨论恢复算法。02PSF比直接比较重建图更基础的系统诊断量取感知矩阵中两个体素对应的列向量归一化内积定义为点扩散函数PSF(n1,n2)∣A(:,n1)HA(:,n2)∣∣A(:,n1)∣2∣A(:,n2)∣2 PSF(n_1, n_2) \frac{|A(:,n_1)^H A(:,n_2)|}{|A(:,n_1)|_2 |A(:,n_2)|_2}PSF(n1,n2)∣A(:,n1)∣2∣A(:,n2)∣2∣A(:,n1)HA(:,n2)∣它本质上就是两个候选体素响应的互相干性。除主峰外旁瓣越低稀疏恢复越容易区分相邻体素。最大旁瓣可进一步写成P(n1)maxn2≠n1PSF(n1,n2) P(n_1) \max_{\substack{n_2 \neq n_1}} \text{PSF}(n_1, n_2)P(n1)n2n1maxPSF(n1,n2)图 3二维 PSF 与一维切片。自主复现使用 1600 个候选体素重新构造完整 Gram 结构。主峰附近存在明显的高相关区域最大旁瓣约为 0.60。这意味着即使没有噪声相邻体素也不是近似正交的恢复误差首先受字典几何限制而不只是受信噪比限制。图 4系统参数扫描。三组曲线揭示了几项具有工程意义的规律。第一增加阵列边长 N₀会降低最大旁瓣因为测量维度和有效孔径同时增加在相同天线数量下扩大阵元间距也会降低空间响应相关性。这里的收益来自孔径而不是简单堆叠阵元。第二体素尺寸增大时相邻体素的空间距离拉开PSF 旁瓣下降感知矩阵存储量也显著减小代价是空间分辨率下降。因此“更细网格”并不天然等于“更准确成像”。第三增加带宽能够提供更强的时延分辨力。固定带宽时继续增加子载波收益会逐渐饱和因为子载波间隔缩小后新增观测的独立信息有限而感知矩阵仍持续膨胀。图 4 的真正结论是阵列孔径、带宽、体素分辨率和计算成本必须联合设计。03离网格误差加密体素为何不是可靠答案在网格模型中A 的每一列都由体素中心计算。但无人机位置是连续的真实位置 p 与最近体素中心 p* 通常不重合。记两者对应的空间响应为 b 与 b*归一化失配为Δb ‖b − b∗‖2÷ ‖b‖2图 5位置偏差与响应失配。自主物理扫描得到的 1 mm 锚点约为 −10.88 dB。也就是说若希望把响应失配压到 −10 dB 以下位置误差需要进入毫米量级。对百米级低空区域建立毫米级三维网格在存储与计算上不可行更重要的是图 4 已经说明过密网格还会增强相邻列相关性。这形成一个结构性矛盾减小体素可以降低几何量化误差却会增大字典规模并恶化互相干性。论文因此不再要求模型精确恢复体素内的连续坐标而是把目标改为判断“哪个体素包含无人机”再通过学习模块吸收体素内部的位置扰动。04在网格基线Subspace Pursuit 的角色论文采用 Subspace Pursuit 作为在网格稀疏恢复基线。SP 先按相关性选择候选支撑再把旧支撑与新候选合并通过最小二乘估计系数保留能量最大的固定数量支撑并更新残差。其优势是结构明确、无需训练局限是支撑选择完全依赖 A 与真实响应的匹配程度。当目标在体素中心时正确列向量确实存在于 A 中SP 可以高效工作当目标离开体素中心后真实响应不再等于任一候选列早期支撑错误会在后续迭代中被放大。因而 SP 既是可解释基线也是物理嵌入学习需要超越的误差来源。05物理嵌入学习为什么输入是 Aᴴy论文没有让神经网络直接从高维复信道测量学习整幅图像而是先执行一次匹配投影σpriAHy\sigma_{\text{pri}} A^{H}yσpriAHy初始图像已经位于成像域。它保留了各体素响应与测量之间的相关性并把阵列几何、传播相位和子载波结构显式嵌入网络输入。随后由残差卷积网络完成非线性精修σ^fθ(σpri) \hat{\sigma} f_{\theta}(\sigma_{\mathrm{pri}})σ^fθ(σpri)这里不先对初始图像做硬阈值是一个重要设计。SP 的离散支撑一旦选错会直接丢弃弱目标或相邻体素的信息Aᴴy 虽然包含旁瓣和离网格模糊却仍保存连续的相关性图样。网络要学习的是“如何从有物理含义的模糊图中消除系统性伪影”而不是从原始测量中重新发现全部传播规律。这一结构还缩小了学习问题测量维度可以随基站对、阵列和子载波急剧变化而图像域尺寸由 ROI 网格决定。物理投影先完成维度对齐网络则专注于空间误差校正。06OHEM解决的不是普通去噪而是极端稀疏下的梯度失衡低空图像绝大多数体素为空正样本只占极小比例。直接对全部体素求平均 MSE 时一个输出全零的网络也可能得到不大的损失但从监测任务看这意味着检测率为零。OHEM 的做法是保留全部正体素只从负体素中选择误差最大的若干个。设正体素数量为 M负样本选择倍率为 η则选中的负体素数量为 ηM。两种损失分别是LOHEM−1LposLnegNposNnegLOHEM−2LposNposLnegNneg L_{OHEM-1} \frac{L_{pos} L_{neg}}{N_{pos} N_{neg}} \\ L_{OHEM-2} \frac{L_{pos}}{N_{pos}} \frac{L_{neg}}{N_{neg}}LOHEM−1NposNnegLposLnegLOHEM−2NposLposNnegLnegOHEM-1 将入选体素放在同一个分母中。η 增大时负样本总影响增强网络更倾向压低非零输出当负样本接近全选时它逐渐退化为普通 MSE。OHEM-2 则分别归一化正负损失两类样本在类别层面保持同等权重η 增大后每个负体素的平均权重下降检测率可能继续上升但误警与幅值误差也可能恶化。最终损失还加入图像稀疏正则LLOHEMα∣σ^∣1 L L_{\text{OHEM}} \alpha |\hat{\sigma}|_1LLOHEMα∣σ^∣1因此 η 与 α 不是普通的数值微调参数。前者控制网络关注多少困难背景后者控制非零输出的整体规模它们共同决定漏检、误警和散射系数估计之间的工作点。07图 7–10在网格条件下系统配置决定可恢复性上限图 7阵列规模、基站距离与感知功率。每个参数点采用 10000 次蒙特卡洛平均。随着阵列从 2×2 增至更大规模MSE 快速下降、SSIM 接近饱和提高感知功率也带来一致改善。较大的基站间距在这组几何配置下会增强部分观测相关性使性能变差。曲线在大阵列区间趋于平坦说明增加硬件后的边际收益会受字典相干性限制。图 8体素尺寸与 SP 重建。在相同区域中1 m 网格拥有最高名义分辨率却因列相关性过强而难以稳定恢复2 m 时能识别部分目标3 m 时离散支撑明显更完整。它把图 4 的 PSF 结论落实到了重建图上分辨率参数必须服从当前阵列与带宽真正具备的感知自由度。图 9三维 ROI 参数扫描。增加子载波、扩大带宽和增大有效阵列孔径总体上降低 MSE、提高检测率。固定带宽下子载波数继续增加后的改善趋缓这与图 4 的 PSF 饱和现象一致。三维成像的未知体素数量远高于二维切片因此对独立频率观测和空间孔径更敏感。图 10通信—感知功率权衡。随感知功率增加不同 ROI 高度的检测率依次进入饱和区更高的监测区域需要更大的感知功率才能达到相同检测率。与此同时可分配给通信的功率下降通信频谱效率缓慢降低。该图不是简单说明“感知功率越大越好”而是给出了高度、检测率门限和通信吞吐之间的可操作折中。08图 11–13自主缩放实验如何验证学习机制图 11-13 采用可计算规模的自主实验1024 个训练池样本被确定性划分为 922 个训练样本和 102 个验证样本另使用 256 个独立测试样本训练 60 轮。其用途是检查数据流、损失行为和趋势不将绝对指标表述为严格数值复刻。图 11输入域与物理先验对结果的影响。直接从复测量学习图像的缩放基线出现全零输出说明测量域到图像域的映射对模型容量和数据量非常敏感。SP 后处理能保留部分稀疏支撑但早期硬选择造成的信息损失无法完全恢复。Aᴴy 路径保留连续相关性图样不过在当前缩放配置中仍存在较多漏检与误警。这个结果支持的是“物理投影有助于把学习问题放回图像域”而不是宣称小规模网络已经达到论文报告的绝对性能。图 12训练 MSE 与学习率。四个网络在前若干轮快速下降随后进入由损失设计决定的平台。OHEM-1 对应的 Net-7 与 Net-9 获得较低 MSEOHEM-2 对应的 Net-8 与 Net-10 保留更多非零候选训练 MSE 更高。学习率调度只在验证损失停滞后分段下降图中平台差异主要来自正负样本权重而非学习率曲线的偶然偏移。图 13η 的作用机制。OHEM-1 在中等 η 附近取得较好的 MSE 与 SSIMη 过大后部分训练会收敛到全零解OHEM-2 的检测率随 η 上升并在约 25–35 区间进入平台但 MSE、SSIM 和误警同步恶化。两种损失没有统一最优 η强调幅值与结构相似性时倾向 OHEM-1 的中等倍率强调少漏检时可以选择 OHEM-2 的较大倍率同时必须接受更多虚警。09图 14–15从规则视距模型走向城市三维场景图 14城市峡谷几何。自主实验从真实地图几何中裁剪建筑多边形构造 50 m×130 m 场景切片并标注 ROI 和基站位置。它的意义在于把“规则方形基站布局”扩展为存在建筑遮挡的三维场景为多径、非视距和残余干扰实验提供几何载体。这里展示的是可复现的场景构建结果不把建筑细节或视角表述为逐像素复刻。图 15残余干扰鲁棒性。缩放实验使用 1024 个三维离网格视距场景并向物理测量加入与错误感知列相干的残余干扰。干扰比例从 0 增至 100% 时MSE 从约 0.00125 增至 0.00198SSIM 从约 0.430 降至 0.313检测率从约 35.8% 降至 26.0%误警率则升至约 52.8%。趋势表明残余自干扰不仅抬高噪声底还会产生具有空间结构的伪目标因而比独立白噪声更难通过阈值消除。10如何理解这套自主复现的边界这套 Python 项目把实验分成两类。第一类是图 3–5、7–10、14。它们直接从阵列、体素、子载波和传播模型出发重新计算 PSF、物理测量、SP 重建、参数扫描、通信—感知权衡与城市场景。图 7、9、10 的正式数据来自每点 10000 次蒙特卡洛平均。第二类是图 11–13、15。完整深度网络实验需要大规模数据生成和多组长时训练因此交付包提供可实际运行的缩放配置用于验证网络数据流、OHEM 梯度行为和干扰趋势。所有图都由data/中的最终 CSV 或 NPZ 重新绘制缩放物理数据则按训练、验证和测试拆成三个自描述 NPZ每个文件都内嵌特征、标签、样本索引与完整配置。包内同时保留图 11 的 1 个、图 12 的 4 个以及图 13 的 2 个可恢复检查点。全规模训练集和随参数变化的大型感知矩阵仍按需生成避免把一次配置的高成本缓存误当成通用资产。这种区分很重要。论文复现不应只看“图形像不像”还要区分物理量是否重新计算、参数是否固定、随机实验是否真实运行以及缩放实验能支持什么层级的结论。11Paper-to-Code Mapping论文机制自主 Python 文件核心职责协作 ISAC 物理模型code/src/lae_repro/physics.py构造阵列、体素、子载波、收发链路、感知矩阵、PSF 和物理测量在网格稀疏恢复code/src/lae_repro/sparse.py实现单样本、批量和 Gram 形式的 Subspace Pursuit离网格数据生成code/src/lae_repro/offgrid.py生成体素内连续位置、Aᴴy 特征和体素级标签网络与 OHEMcode/src/lae_repro/learning.py管理网络、OHEM-1、OHEM-2、稀疏正则、训练、推理和检查点图 3-15 实验code/src/lae_repro/experiments/组织参数扫描、蒙特卡洛、缩放训练、城市场景和干扰实验指标、绘图和命令行code/src/lae_repro/metrics.py、code/src/lae_repro/plotting.py、code/src/lae_repro/cli.py计算 MSE、SSIM、OSPA、DR、FAR读取绘图数据并调度实验可编辑配置与资产code/src/lae_repro/assets.py、code/configs/管理数据划分、感知矩阵示例、资产指纹和可调物理参数12如何运行自主 Python 复现进入交付包中的代码目录cdLAEImager_Python_Reproduction/code使用 Python 3.11 创建环境并安装python3.11-mvenv .venv .venv/bin/pipinstall-e.如果只想从已经生成的最终数据重绘图 3–5、7–15运行.venv/bin/lae-repro plot--figuresall图片会写入simulationfigure/同时生成 PDF、SVG 和 PNG。运行物理模型、PSF、SP 与正式蒙特卡洛实验.venv/bin/lae-repro reproduce--figures3,4,5,7,8,9,10,14--profilepaper图 7、9、10 包含大规模蒙特卡洛计算完整重跑耗时明显高于直接绘图。交付包已经包含scaled_train.npz、scaled_validation.npz、scaled_test.npz以及与三个划分匹配的模型检查点。无需重新训练即可直接推理.venv/bin/python scripts/infer_scaled_checkpoint.py\--checkpointcheckpoints/fig12/net7.pt\--outputinference_output.npz从 Net-7 的第 60 轮状态继续训练 20 轮.venv/bin/python scripts/train_scaled_checkpoint.py\--namefig12/net7\--resumecheckpoints/fig12/net7.pt\--epochs20\--outputcheckpoints/custom/net7_continued.pt交付检查点按实验分组图 11 保留 1 个 Aᴴy 路径检查点图 12 保留 Net-7 至 Net-10 共 4 个图 13 保留 OHEM-1 与 OHEM-2 的 2 个代表性工作点。每个检查点均保存模型、优化器、调度器、已完成轮次、训练历史和数据指纹因此可直接推理也可续训。如需调整阵列、基站距离、感知功率、噪声、ROI 或体素尺寸先编辑configs/scaled_profile.json再重新生成与新物理配置一致的数据和缓存.venv/bin/python scripts/build_user_assets.py\--configconfigs/scaled_profile.json\--assetsdataset,cache\--overwrite物理配置变化后应从头训练新检查点不应对旧检查点使用--resume脚本会检查数据指纹阻止把旧检查点错误地续训到不兼容数据上。新模型可用以下命令训练.venv/bin/python scripts/train_scaled_checkpoint.py\--configconfigs/scaled_profile.json\--namefig12/net7\--epochs60\--outputcheckpoints/custom/net7_custom.ptcache_examples/small_sensing_matrix.npz内嵌复数感知矩阵、体素坐标和生成元数据scene/保存处理后建筑几何与查询元数据。因此用户可以直接重绘、推理和续训也可修改阵列、子载波、基站几何、噪声、ROI 和体素参数后重建数据与模型。写在最后LAEImager 最值得借鉴的不是“用一个网络替代稀疏恢复”而是先用 PSF 找出系统可辨识性的边界再用 Aᴴy 把传播模型嵌入学习输入最后通过 OHEM 主动控制极端稀疏图像中的梯度分配。物理模型负责约束问题数据驱动模块负责吸收难以显式参数化的离网格误差两者的分工十分清晰。完整的自主 Python 复现项目已整理为可运行目录包含物理模型、三个缩放数据划分、可恢复检查点、处理后场景几何、感知矩阵示例、实验脚本、逐图数据和高清仿真图。用户既可以开箱推理与续训也可以修改阵列与 ROI 参数后重建数据、缓存并训练新模型。如需进一步核对公式与代码、调整物理参数或开展对比实验可关注“无线通信科研笔记”获取完整项目。
IEEE TWC 2026 论文精读与完整复现 | LAEImager：协作 ISAC 网络中的物理嵌入离网格成像
IEEE TWC 2026 论文精读与Python代码完整复现LAEImager协作 ISAC 网络中的物理嵌入离网格成像如有帮助请引用Huang Y, Yang J, Xia S, et al. Learned off-grid imager for low-altitude economy with cooperative ISAC network[J].IEEE Transactions on Wireless Communications, vol. 25, pp. 3333-3348, 2026.论文的核心链路是“协作感知建模—PSF 分析—物理域投影—残差网络精修—困难样本挖掘”。以下直接讨论可辨识性、离网格失配和损失函数设计不再展开通用 ISAC 概念。01从协作信道测量到稀疏低空图像系统由多个具备通信与感知能力的基站构成。不同基站既可以形成单站收发链路也可以形成跨基站的多站链路每条链路再叠加天线对和子载波维度。对感兴趣区域进行三维体素化后每个体素对应一个候选散射位置其复散射系数构成稀疏向量 σ。将全部基站对、天线对和子载波的信道观测堆叠后系统可写成统一的线性模型yAσn y A\sigma nyAσn其中y 是协作网络汇集的信道测量A 是由基站位置、阵列几何、子载波频率和体素中心共同决定的感知矩阵n 是测量噪声。σ 的非零位置表示存在无人机的体素系数幅度反映散射强度。该建模方式的关键价值在于它不再对每条链路分别估计距离、角度再执行跨站匹配而是让所有链路直接对同一个空间稀疏图像提供约束。传统在网格恢复问题因此可以写成σ^argmin∣σ∣0subject to∣y−Aσ∣2≤ε \hat{\sigma} \arg \min |\sigma|_0 \\ \text{subject to} \quad |y - A\sigma|_2 \leq \varepsilonσ^argmin∣σ∣0subject to∣y−Aσ∣2≤ε这里的困难不只来自零范数。A 的列向量对应不同体素的空间响应相邻体素可能具有很高的相关性当网格继续加密时未知量数量、存储开销和列相关性会同时上升。论文因此先用点扩散函数分析“这个系统究竟能否分开两个相邻体素”再讨论恢复算法。02PSF比直接比较重建图更基础的系统诊断量取感知矩阵中两个体素对应的列向量归一化内积定义为点扩散函数PSF(n1,n2)∣A(:,n1)HA(:,n2)∣∣A(:,n1)∣2∣A(:,n2)∣2 PSF(n_1, n_2) \frac{|A(:,n_1)^H A(:,n_2)|}{|A(:,n_1)|_2 |A(:,n_2)|_2}PSF(n1,n2)∣A(:,n1)∣2∣A(:,n2)∣2∣A(:,n1)HA(:,n2)∣它本质上就是两个候选体素响应的互相干性。除主峰外旁瓣越低稀疏恢复越容易区分相邻体素。最大旁瓣可进一步写成P(n1)maxn2≠n1PSF(n1,n2) P(n_1) \max_{\substack{n_2 \neq n_1}} \text{PSF}(n_1, n_2)P(n1)n2n1maxPSF(n1,n2)图 3二维 PSF 与一维切片。自主复现使用 1600 个候选体素重新构造完整 Gram 结构。主峰附近存在明显的高相关区域最大旁瓣约为 0.60。这意味着即使没有噪声相邻体素也不是近似正交的恢复误差首先受字典几何限制而不只是受信噪比限制。图 4系统参数扫描。三组曲线揭示了几项具有工程意义的规律。第一增加阵列边长 N₀会降低最大旁瓣因为测量维度和有效孔径同时增加在相同天线数量下扩大阵元间距也会降低空间响应相关性。这里的收益来自孔径而不是简单堆叠阵元。第二体素尺寸增大时相邻体素的空间距离拉开PSF 旁瓣下降感知矩阵存储量也显著减小代价是空间分辨率下降。因此“更细网格”并不天然等于“更准确成像”。第三增加带宽能够提供更强的时延分辨力。固定带宽时继续增加子载波收益会逐渐饱和因为子载波间隔缩小后新增观测的独立信息有限而感知矩阵仍持续膨胀。图 4 的真正结论是阵列孔径、带宽、体素分辨率和计算成本必须联合设计。03离网格误差加密体素为何不是可靠答案在网格模型中A 的每一列都由体素中心计算。但无人机位置是连续的真实位置 p 与最近体素中心 p* 通常不重合。记两者对应的空间响应为 b 与 b*归一化失配为Δb ‖b − b∗‖2÷ ‖b‖2图 5位置偏差与响应失配。自主物理扫描得到的 1 mm 锚点约为 −10.88 dB。也就是说若希望把响应失配压到 −10 dB 以下位置误差需要进入毫米量级。对百米级低空区域建立毫米级三维网格在存储与计算上不可行更重要的是图 4 已经说明过密网格还会增强相邻列相关性。这形成一个结构性矛盾减小体素可以降低几何量化误差却会增大字典规模并恶化互相干性。论文因此不再要求模型精确恢复体素内的连续坐标而是把目标改为判断“哪个体素包含无人机”再通过学习模块吸收体素内部的位置扰动。04在网格基线Subspace Pursuit 的角色论文采用 Subspace Pursuit 作为在网格稀疏恢复基线。SP 先按相关性选择候选支撑再把旧支撑与新候选合并通过最小二乘估计系数保留能量最大的固定数量支撑并更新残差。其优势是结构明确、无需训练局限是支撑选择完全依赖 A 与真实响应的匹配程度。当目标在体素中心时正确列向量确实存在于 A 中SP 可以高效工作当目标离开体素中心后真实响应不再等于任一候选列早期支撑错误会在后续迭代中被放大。因而 SP 既是可解释基线也是物理嵌入学习需要超越的误差来源。05物理嵌入学习为什么输入是 Aᴴy论文没有让神经网络直接从高维复信道测量学习整幅图像而是先执行一次匹配投影σpriAHy\sigma_{\text{pri}} A^{H}yσpriAHy初始图像已经位于成像域。它保留了各体素响应与测量之间的相关性并把阵列几何、传播相位和子载波结构显式嵌入网络输入。随后由残差卷积网络完成非线性精修σ^fθ(σpri) \hat{\sigma} f_{\theta}(\sigma_{\mathrm{pri}})σ^fθ(σpri)这里不先对初始图像做硬阈值是一个重要设计。SP 的离散支撑一旦选错会直接丢弃弱目标或相邻体素的信息Aᴴy 虽然包含旁瓣和离网格模糊却仍保存连续的相关性图样。网络要学习的是“如何从有物理含义的模糊图中消除系统性伪影”而不是从原始测量中重新发现全部传播规律。这一结构还缩小了学习问题测量维度可以随基站对、阵列和子载波急剧变化而图像域尺寸由 ROI 网格决定。物理投影先完成维度对齐网络则专注于空间误差校正。06OHEM解决的不是普通去噪而是极端稀疏下的梯度失衡低空图像绝大多数体素为空正样本只占极小比例。直接对全部体素求平均 MSE 时一个输出全零的网络也可能得到不大的损失但从监测任务看这意味着检测率为零。OHEM 的做法是保留全部正体素只从负体素中选择误差最大的若干个。设正体素数量为 M负样本选择倍率为 η则选中的负体素数量为 ηM。两种损失分别是LOHEM−1LposLnegNposNnegLOHEM−2LposNposLnegNneg L_{OHEM-1} \frac{L_{pos} L_{neg}}{N_{pos} N_{neg}} \\ L_{OHEM-2} \frac{L_{pos}}{N_{pos}} \frac{L_{neg}}{N_{neg}}LOHEM−1NposNnegLposLnegLOHEM−2NposLposNnegLnegOHEM-1 将入选体素放在同一个分母中。η 增大时负样本总影响增强网络更倾向压低非零输出当负样本接近全选时它逐渐退化为普通 MSE。OHEM-2 则分别归一化正负损失两类样本在类别层面保持同等权重η 增大后每个负体素的平均权重下降检测率可能继续上升但误警与幅值误差也可能恶化。最终损失还加入图像稀疏正则LLOHEMα∣σ^∣1 L L_{\text{OHEM}} \alpha |\hat{\sigma}|_1LLOHEMα∣σ^∣1因此 η 与 α 不是普通的数值微调参数。前者控制网络关注多少困难背景后者控制非零输出的整体规模它们共同决定漏检、误警和散射系数估计之间的工作点。07图 7–10在网格条件下系统配置决定可恢复性上限图 7阵列规模、基站距离与感知功率。每个参数点采用 10000 次蒙特卡洛平均。随着阵列从 2×2 增至更大规模MSE 快速下降、SSIM 接近饱和提高感知功率也带来一致改善。较大的基站间距在这组几何配置下会增强部分观测相关性使性能变差。曲线在大阵列区间趋于平坦说明增加硬件后的边际收益会受字典相干性限制。图 8体素尺寸与 SP 重建。在相同区域中1 m 网格拥有最高名义分辨率却因列相关性过强而难以稳定恢复2 m 时能识别部分目标3 m 时离散支撑明显更完整。它把图 4 的 PSF 结论落实到了重建图上分辨率参数必须服从当前阵列与带宽真正具备的感知自由度。图 9三维 ROI 参数扫描。增加子载波、扩大带宽和增大有效阵列孔径总体上降低 MSE、提高检测率。固定带宽下子载波数继续增加后的改善趋缓这与图 4 的 PSF 饱和现象一致。三维成像的未知体素数量远高于二维切片因此对独立频率观测和空间孔径更敏感。图 10通信—感知功率权衡。随感知功率增加不同 ROI 高度的检测率依次进入饱和区更高的监测区域需要更大的感知功率才能达到相同检测率。与此同时可分配给通信的功率下降通信频谱效率缓慢降低。该图不是简单说明“感知功率越大越好”而是给出了高度、检测率门限和通信吞吐之间的可操作折中。08图 11–13自主缩放实验如何验证学习机制图 11-13 采用可计算规模的自主实验1024 个训练池样本被确定性划分为 922 个训练样本和 102 个验证样本另使用 256 个独立测试样本训练 60 轮。其用途是检查数据流、损失行为和趋势不将绝对指标表述为严格数值复刻。图 11输入域与物理先验对结果的影响。直接从复测量学习图像的缩放基线出现全零输出说明测量域到图像域的映射对模型容量和数据量非常敏感。SP 后处理能保留部分稀疏支撑但早期硬选择造成的信息损失无法完全恢复。Aᴴy 路径保留连续相关性图样不过在当前缩放配置中仍存在较多漏检与误警。这个结果支持的是“物理投影有助于把学习问题放回图像域”而不是宣称小规模网络已经达到论文报告的绝对性能。图 12训练 MSE 与学习率。四个网络在前若干轮快速下降随后进入由损失设计决定的平台。OHEM-1 对应的 Net-7 与 Net-9 获得较低 MSEOHEM-2 对应的 Net-8 与 Net-10 保留更多非零候选训练 MSE 更高。学习率调度只在验证损失停滞后分段下降图中平台差异主要来自正负样本权重而非学习率曲线的偶然偏移。图 13η 的作用机制。OHEM-1 在中等 η 附近取得较好的 MSE 与 SSIMη 过大后部分训练会收敛到全零解OHEM-2 的检测率随 η 上升并在约 25–35 区间进入平台但 MSE、SSIM 和误警同步恶化。两种损失没有统一最优 η强调幅值与结构相似性时倾向 OHEM-1 的中等倍率强调少漏检时可以选择 OHEM-2 的较大倍率同时必须接受更多虚警。09图 14–15从规则视距模型走向城市三维场景图 14城市峡谷几何。自主实验从真实地图几何中裁剪建筑多边形构造 50 m×130 m 场景切片并标注 ROI 和基站位置。它的意义在于把“规则方形基站布局”扩展为存在建筑遮挡的三维场景为多径、非视距和残余干扰实验提供几何载体。这里展示的是可复现的场景构建结果不把建筑细节或视角表述为逐像素复刻。图 15残余干扰鲁棒性。缩放实验使用 1024 个三维离网格视距场景并向物理测量加入与错误感知列相干的残余干扰。干扰比例从 0 增至 100% 时MSE 从约 0.00125 增至 0.00198SSIM 从约 0.430 降至 0.313检测率从约 35.8% 降至 26.0%误警率则升至约 52.8%。趋势表明残余自干扰不仅抬高噪声底还会产生具有空间结构的伪目标因而比独立白噪声更难通过阈值消除。10如何理解这套自主复现的边界这套 Python 项目把实验分成两类。第一类是图 3–5、7–10、14。它们直接从阵列、体素、子载波和传播模型出发重新计算 PSF、物理测量、SP 重建、参数扫描、通信—感知权衡与城市场景。图 7、9、10 的正式数据来自每点 10000 次蒙特卡洛平均。第二类是图 11–13、15。完整深度网络实验需要大规模数据生成和多组长时训练因此交付包提供可实际运行的缩放配置用于验证网络数据流、OHEM 梯度行为和干扰趋势。所有图都由data/中的最终 CSV 或 NPZ 重新绘制缩放物理数据则按训练、验证和测试拆成三个自描述 NPZ每个文件都内嵌特征、标签、样本索引与完整配置。包内同时保留图 11 的 1 个、图 12 的 4 个以及图 13 的 2 个可恢复检查点。全规模训练集和随参数变化的大型感知矩阵仍按需生成避免把一次配置的高成本缓存误当成通用资产。这种区分很重要。论文复现不应只看“图形像不像”还要区分物理量是否重新计算、参数是否固定、随机实验是否真实运行以及缩放实验能支持什么层级的结论。11Paper-to-Code Mapping论文机制自主 Python 文件核心职责协作 ISAC 物理模型code/src/lae_repro/physics.py构造阵列、体素、子载波、收发链路、感知矩阵、PSF 和物理测量在网格稀疏恢复code/src/lae_repro/sparse.py实现单样本、批量和 Gram 形式的 Subspace Pursuit离网格数据生成code/src/lae_repro/offgrid.py生成体素内连续位置、Aᴴy 特征和体素级标签网络与 OHEMcode/src/lae_repro/learning.py管理网络、OHEM-1、OHEM-2、稀疏正则、训练、推理和检查点图 3-15 实验code/src/lae_repro/experiments/组织参数扫描、蒙特卡洛、缩放训练、城市场景和干扰实验指标、绘图和命令行code/src/lae_repro/metrics.py、code/src/lae_repro/plotting.py、code/src/lae_repro/cli.py计算 MSE、SSIM、OSPA、DR、FAR读取绘图数据并调度实验可编辑配置与资产code/src/lae_repro/assets.py、code/configs/管理数据划分、感知矩阵示例、资产指纹和可调物理参数12如何运行自主 Python 复现进入交付包中的代码目录cdLAEImager_Python_Reproduction/code使用 Python 3.11 创建环境并安装python3.11-mvenv .venv .venv/bin/pipinstall-e.如果只想从已经生成的最终数据重绘图 3–5、7–15运行.venv/bin/lae-repro plot--figuresall图片会写入simulationfigure/同时生成 PDF、SVG 和 PNG。运行物理模型、PSF、SP 与正式蒙特卡洛实验.venv/bin/lae-repro reproduce--figures3,4,5,7,8,9,10,14--profilepaper图 7、9、10 包含大规模蒙特卡洛计算完整重跑耗时明显高于直接绘图。交付包已经包含scaled_train.npz、scaled_validation.npz、scaled_test.npz以及与三个划分匹配的模型检查点。无需重新训练即可直接推理.venv/bin/python scripts/infer_scaled_checkpoint.py\--checkpointcheckpoints/fig12/net7.pt\--outputinference_output.npz从 Net-7 的第 60 轮状态继续训练 20 轮.venv/bin/python scripts/train_scaled_checkpoint.py\--namefig12/net7\--resumecheckpoints/fig12/net7.pt\--epochs20\--outputcheckpoints/custom/net7_continued.pt交付检查点按实验分组图 11 保留 1 个 Aᴴy 路径检查点图 12 保留 Net-7 至 Net-10 共 4 个图 13 保留 OHEM-1 与 OHEM-2 的 2 个代表性工作点。每个检查点均保存模型、优化器、调度器、已完成轮次、训练历史和数据指纹因此可直接推理也可续训。如需调整阵列、基站距离、感知功率、噪声、ROI 或体素尺寸先编辑configs/scaled_profile.json再重新生成与新物理配置一致的数据和缓存.venv/bin/python scripts/build_user_assets.py\--configconfigs/scaled_profile.json\--assetsdataset,cache\--overwrite物理配置变化后应从头训练新检查点不应对旧检查点使用--resume脚本会检查数据指纹阻止把旧检查点错误地续训到不兼容数据上。新模型可用以下命令训练.venv/bin/python scripts/train_scaled_checkpoint.py\--configconfigs/scaled_profile.json\--namefig12/net7\--epochs60\--outputcheckpoints/custom/net7_custom.ptcache_examples/small_sensing_matrix.npz内嵌复数感知矩阵、体素坐标和生成元数据scene/保存处理后建筑几何与查询元数据。因此用户可以直接重绘、推理和续训也可修改阵列、子载波、基站几何、噪声、ROI 和体素参数后重建数据与模型。写在最后LAEImager 最值得借鉴的不是“用一个网络替代稀疏恢复”而是先用 PSF 找出系统可辨识性的边界再用 Aᴴy 把传播模型嵌入学习输入最后通过 OHEM 主动控制极端稀疏图像中的梯度分配。物理模型负责约束问题数据驱动模块负责吸收难以显式参数化的离网格误差两者的分工十分清晰。完整的自主 Python 复现项目已整理为可运行目录包含物理模型、三个缩放数据划分、可恢复检查点、处理后场景几何、感知矩阵示例、实验脚本、逐图数据和高清仿真图。用户既可以开箱推理与续训也可以修改阵列与 ROI 参数后重建数据、缓存并训练新模型。如需进一步核对公式与代码、调整物理参数或开展对比实验可关注“无线通信科研笔记”获取完整项目。
