重点期刊相关工作对比与本文创新切入点
修正说明
前一版把一篇与 MDNN/超表面散射环境聚焦相关的工作放进了外部对比对象，这是不合适的。如果那条路线本身属于你的论文或同源前期工作，它不能作为“别人工作”来比较。后续只把它视为本文方法来源或内部延伸，不放入 related-work competitive table。
真正应该对比的是重点期刊或方向上具有代表性的工作：
- IEEE TAP / AWPL 中的深度学习电磁逆散射；
- IEEE TGRS 等期刊中的 physics-informed 电磁逆散射；
- Science 中的 D2NN 衍射神经网络；
- Nature Photonics / Nature Physics 中的 scattering media wavefront shaping；
- Nature Communications 等期刊中的可编程/智能超表面波前控制；
- 神经电磁 surrogate / neural operator 类工作。
这些对比不是为了证明别人“不行”，而是为了说明本文的研究对象和创新边界：本文不是做目标重建，也不是做通用全波 surrogate，而是把多散射体后的透波聚焦表述为 scattering-aware diffractive wavefront optimization。
重点方向对比
1. 深度学习电磁逆散射：从散射场到目标重建
代表方向包括 DeepNIS、learned CSI、two-step deep learning electromagnetic inverse scattering 等。这类工作通常以测量散射场为输入，输出目标介电常数、轮廓或图像。DeepNIS 这类 TAP 工作的贡献在于把深度网络与传统非线性电磁逆散射迭代方法联系起来，用复杂值残差网络加速重建，并在成像质量和计算时间上优于传统求解器。
与本文的区别在于：本文不以恢复散射体或介质参数为目标，而是给定散射环境后优化入射相位，使透过散射体后的输出场在目标区域聚焦。也就是说，本文研究的是 forward wave control / wavefront design，而不是 inverse object reconstruction。
可写入论文的差异句：
Learning-based electromagnetic inverse scattering methods mainly accelerate the reconstruction of object contrast from measured scattered fields. In contrast, this work treats the scattering environment as a wave-control medium and optimizes the incident diffractive wavefront to focus energy behind multiple scatterers.
2. Physics-informed 电磁反演：从方程约束到场/参数求解
PINN 类电磁逆散射方法把 Helmholtz 或 Maxwell 方程残差引入网络训练，使模型在少标签或无标签情况下进行场预测和参数反演。例如 TGRS 中的 PINN 电磁逆散射工作强调无监督学习、动态采样、多频率尺度处理，以及对高对比或电大目标的泛化能力。
与本文的区别在于：本文不主张求解完整 PDE，也不把多切片传播模型称为全矢量 Maxwell solver。本文的目标是构造一个轻量、可反传的衍射传播链路，用于相位优化和透波聚焦。PINN 更像“求解/反演工具”，本文更像“波前设计工具”。
可写入论文的差异句：
Physics-informed inverse-scattering methods improve the physical consistency of field or contrast recovery by enforcing wave-equation residuals. The present work instead uses a differentiable diffractive propagation chain as an optimization substrate, where the trainable variable is the incident phase profile and the objective is transmission focusing.
3. D2NN 衍射神经网络：从光学计算到散射感知波前优化
Science 2018 的 D2NN 工作提出利用多层被动衍射结构实现全光机器学习。这个方向证明了“衍射传播 + 可训练相位/振幅层”可以作为神经网络结构，用于分类、成像或光学计算。
与本文的区别在于：经典 D2NN 的重点是让衍射层本身完成信息处理任务，而本文关注的是散射体存在时的透波场控制。本文借鉴 D2NN 的可微传播思想，但不把任务定义为图像分类或自由空间光学推理，而是定义为多散射体环境中的散射补偿相位学习。
可写入论文的差异句：
While D2NNs demonstrate that trainable diffractive layers can perform optical inference, our work shifts the role of diffractive learning from information processing to scattering-aware wavefront compensation behind multiple electromagnetic scatterers.
4. Scattering media wavefront shaping：从反馈聚焦到可微学习聚焦
Nature Photonics / Nature Physics 中的 wavefront shaping 工作已经证明，通过调制入射波前可以在散射介质中实现聚焦、能量传输增强或复杂介质成像。典型工作包括实时反馈 wavefront shaping、高增益高速聚焦、宽带能量沉积和复杂介质传播控制综述。
这类工作与本文的问题意识非常接近：它们都关注“如何控制波穿过复杂介质”。但很多光学 wavefront shaping 工作依赖实验反馈、传输矩阵测量、相位共轭或导星机制，重点是物理实验中的光场调控。本文的区别在于将该问题转化为一个可微衍射神经网络优化问题，并在可控多散射体 benchmark 中比较不同相位策略。
可写入论文的差异句：
Wavefront-shaping studies have established that coherent waves can be focused through complex media by controlling the incident degrees of freedom. This work brings the same physical objective into a differentiable neural propagation framework, enabling direct optimization of a diffractive phase profile and systematic comparison against free-space focusing baselines.
5. 可编程/智能超表面：从硬件重构到算法波前优化
Nature Communications、Nature Photonics 等期刊中已有大量可编程超表面、智能反射面和 neuro-metasurface 工作，展示了电磁波束赋形、聚焦、隐身、数据传输和智能无线环境控制。例如 neuro-metasurface focusing 工作强调快速复杂电磁波调控，real-data-driven reconfigurable microwave surface 强调真实数据驱动的实时可重构表面，RIS 方向强调用可编程环境控制无线传播。
与本文的区别在于：这些工作多以硬件可重构表面或智能无线环境为中心，关注器件响应、实时控制或系统通信指标。本文当前的重点不是做一个具体硬件 metasurface，而是提出一个衍射神经网络式的透波聚焦建模和优化框架。相位面可以被理解为未来硬件实现的抽象，但论文主线应落在散射体后的可训练波前补偿规律。
可写入论文的差异句：
Programmable metasurfaces and RISs provide hardware platforms for electromagnetic wave manipulation. Our study focuses on the algorithmic wavefront-optimization problem behind such control: how a trainable diffractive phase can compensate for multiple-scattering distortions and recover focusing behind scatterers.
6. 神经电磁 surrogate / neural operator：从快速预测到闭环控制
神经算子和电磁 surrogate solver 方向试图学习从几何、材料、源条件到场分布或 S 参数的快速映射，目标是替代昂贵的数值仿真器。该方向与本文都强调快速可计算模型，但任务终点不同。
与本文的区别在于：本文不是单纯评价 field prediction error，而是把可微传播模型放入优化闭环，使入射相位成为可训练变量，目标函数直接作用在输出聚焦场上。换言之，本文的核心输出不是“预测场”，而是“能够在散射环境中产生目标聚焦的补偿相位”。
可写入论文的差异句：
Neural electromagnetic surrogates are commonly evaluated by their ability to emulate forward field or S-parameter responses. Here the differentiable model is used as a control-oriented surrogate: it is embedded in a gradient-based loop to optimize the incident phase for transmission focusing.
重点期刊工作对比表
| 方向 | 代表性重点工作 | 主要目标 | 可训练对象 | 是否经过散射介质/散射体 | 是否直接优化入射波前 | 本文可强调的差异 |
|---|---|---|---|---|---|---|
| 深度学习电磁逆散射 | DeepNIS, IEEE TAP 2019；two-step DL inverse scattering, IEEE AWPL | 从散射测量重建目标或介质 | 网络映射/展开模块 | 散射体是待反演对象 | 通常否 | 本文不重建目标，而优化入射相位实现透波聚焦 |
| PINN 电磁反演 | PINN inverse scattering, IEEE TGRS 2023 | 用方程残差约束场/参数反演 | 神经场或介质参数 | 是，作为反演对象 | 通常否 | 本文不是 PDE 求解，而是用可微传播链做波前设计 |
| D2NN | Lin et al., Science 2018 | 全光推理/分类/成像 | 多层衍射结构 | 多为设计层/自由空间传播 | 是，但多服务于信息处理 | 本文把衍射学习用于多散射体后的波前补偿 |
| Scattering media wavefront shaping | Nature Photonics / Nature Physics wavefront shaping 系列 | 在复杂介质中聚焦或传输增强 | SLM/输入模式/反馈控制 | 是，复杂散射介质 | 是 | 本文用可微神经传播框架实现可控 benchmark 下的相位优化 |
| Neuro-metasurface / RIS | Nature Communications / Nature Photonics 智能超表面工作 | 波束赋形、聚焦、隐身、智能无线环境 | 超表面编码/器件状态 | 可包含环境扰动 | 是 | 本文侧重算法层面的散射补偿相位学习，不以硬件器件为中心 |
| 神经 EM surrogate | neural operator / surrogate solver | 快速预测场或 S 参数 | surrogate 网络 | 取决于数据集 | 通常否 | 本文将 surrogate 嵌入闭环优化，以目标聚焦为损失 |
本文真正的创新提法
本文创新不应写成“比无相位和球面相位好”。这只是实验基线。真正的创新应写成：
本文把多散射体后的透波聚焦定义为 scattering-aware diffractive wavefront optimization。区别于深度学习逆散射中的目标重建，也区别于神经 surrogate 的单纯场预测，本文直接优化入射相位，使衍射传播网络在散射体存在时学习补偿相位。通过与自由空间球面相位、散射复杂度变化和解析散射对照相结合，本文试图区分普通自由空间聚焦和散射感知波前补偿。
如果要更像 TAP 引言里的 contribution：
The proposed framework bridges diffractive neural networks and electromagnetic wavefront shaping through scatterers. It uses differentiable propagation not for optical classification or field emulation, but for optimizing the incident phase that maximizes target-region transmission behind multiple scatterers.
还需要补的外部对比材料
为了把这张表写进正式论文，下一步需要精读并确认以下文献：
- DeepNIS: IEEE Transactions on Antennas and Propagation, 2019, DOI: 10.1109/TAP.2018.2885437。
- Two-step enhanced deep learning for EM inverse scattering: IEEE Antennas and Wireless Propagation Letters, 2019。
- PINN electromagnetic inverse scattering: IEEE Transactions on Geoscience and Remote Sensing, 2023, DOI: 10.1109/TGRS.2023.3301455。
- D2NN: Lin et al., Science, 2018, DOI: 10.1126/science.aat8084。
- Wavefront shaping through scattering media: Nature Photonics 2013/2023/2024 和 Nature Physics 2022 review。
- Neuro-metasurface focusing: Nature Communications 2023。
- Real-data-driven reconfigurable microwave reflective surface: Nature Communications 2023。
- Smart radio environments / RIS review and representative Nature Communications RIS work。
下一步建议
现在最应该做的不是继续加强 CST，而是补一个真正能回应这些重点工作的实验图：
散射复杂度曲线
0、1、3、5、9 个散射体，比较球面相位和优化相位的目标区能量占比、聚焦对比度和定位误差。这个实验直接服务于“scattering-aware compensation”这个创新点。
目标位置泛化
固定散射体，改变目标焦点位置。这个实验回应“是否只是单点调参”的质疑，也能与 wavefront shaping 和 metasurface focusing 工作形成更公平的任务对比。
外部工作对比表
正式论文中应使用“任务和验证维度”对比，而不是强行数值对比。因为不同文献频段、介质、硬件平台和指标不同，直接数值比较很容易不公平。